في عالم السلاسل الزمنية، يعتبر التنبؤ بدقة على المدى الطويل (Long-Term Time Series Forecasting - LTSF) تحدياً كبيراً، خصوصاً عند الحاجة لالتقاط العلاقات المعقدة والأنماط الدورية الديناميكية. قدّمت التطورات الأخيرة في تحليل الترددات (Frequency-Domain Analysis) منظوراً عالمياً يساعد على الكشف عن السمات الزمنية. ومع ذلك، تواجه السلاسل الزمنية الحقيقية قضايا كبيرة تتمثل في التباين بين المجالات، حيث يمكن أن تتفاوت المتغيرات التي تبدو متزامنة في النطاق الزمني بشكل كبير في النطاق الترددي.

تعتبر الطرق القائمة على الترددات في LTSF الحالية محدودة بسبب افتراضاتها الضمنية حول تجانس المجالات، مما يعيق قدرتها على التكيف مع هذه التباينات المعقدة. هنا يأتي دور AdaMamba، الإطار الجديد الذي يقدم حلاً مبتكراً من خلال دمج تحليل الترددات التكيفية والواعية بالسياق في عملية تحديث الحالة من Mamba.

يتميز AdaMamba بوجود وحدة ترميز تفاعلية لالتقاط ديناميات التفاعل بين المتغيرات. كما يطور إطار العمل وحدة حالة ترددية موجهة تتكيف مع المدخلات، وتعمم بوابة النسيان الزمنية التقليدية إلى بوابة نسيان زمنية-ترددية موحدة. هذه الآلية تتيح ضبطاً ديناميكياً لانتقالات الحالة بناءً على أهمية الترددات المتعلمة، مع الحفاظ على قدرة Mamba في نمذجة الاعتماد على المدى الطويل.

من خلال تجارب موسعة على سبعة معايير عامة لتنبيؤات LTSF واثنين من مجموعات البيانات المحددة بالمجال، أثبت AdaMamba تفوقه على الطرق الحديثة في دقة التنبؤ مع الحفاظ على كفاءة حسابية تنافسية. ويُتوفر كود AdaMamba للاستخدام على [رابط GitHub](https://github.com/XDjiang25/AdaMamba).

هل أنتم مستعدون لاستكشاف حدود جديدة في علم البيانات والتنبؤات الزمانية؟ شاركونا آراءكم في التعليقات!