تتزايد أهمية البيانات الزمنية المتصلة (Correlated Time Series - CTS) في عصر الإنترنت من الأشياء (IoT) حيث تولد التطبيقات كميات هائلة من البيانات التي تحتاج إلى تحسين مستمر لمواجهة المشكلات الناتجة عن القيم المفقودة. ولعل من أبرز التحديات التي تواجه طرق تحسين البيانات التقليدية هو عدم قدرتها على التكيف مع البيئات المتغيرة، مما يجعلها عرضة لفشل المستشعرات وعدم قدرتها على فرز المستشعرات غير المكتملة، بالإضافة إلى استخدامها لبنى ثابتة لا تتكيف مع توافر الموارد.

للتغلب على هذه التحديات، تم تقديم نموذج AdaCTSi، الذي يمثل محسنًا متكيفًا للبيانات الزمنية المتصلة مخصصًا للبيئات المتغيرة. يعتمد نموذج AdaCTSi على شبكة عصبية قائمة على عمليات التمدد الزمني (One-shot Temporal Convolutional Network) وجداول فهرسة المستشعرات الزمنية المتعلمة، مما يسمح بفرز خصائص الفضاء-الزمان المعقدة إلى تمثيلات خاصة بكل مستشعر، وهذا يعزز التكيف مع مجموعة مستشعرات متفاوتة.

تستفيد منهجية Sparse Spatial Attention من استخراج العلاقات الديناميكية المتغيرة في الفضاء، في حين تلعب ميزة Correlation-Weighted Sensor Selection دورًا حاسمًا في اختيار المستشعرات الأكثر إفادة، مما يسهم في تقديم سياق مكاني كافٍ. وقد أظهرت التجارب مع اثني عشر طريقة أساسية وثلاث سيناريوهات قابلة للتكيف وخمسة مجموعات بيانات مرجعية تغطي المعلومات حول حركة المرور وجودة الهواء والبيانات المسار أن AdaCTSi يقلل من متوسط الخطأ المطلق (MAE) بمعدل 33.1% مقارنة بأقوى الأساليب الأساسية لكل مجموعة بيانات.

تتيح خصائص النموذج، مثل قلة استخدام الذاكرة، نشره على أجهزة الحوسبة العادية بما في ذلك وحدات التحكم الدقيقة (MCUs)، مما يجعله خيارًا مثاليًا لتقنيات البيانات الزمنية في المستقبل.