تعتبر توقعات السلاسل الزمنية جزءاً أساسياً من العديد من التطبيقات التشغيلية، مثل توقعات الطلب على الحشود. في هذه التطبيقات، يرتفع خطر نقص التوقعات بشكل كبير مقارنةً بالزيادة في التوقعات. لذا، فإن الدقة في التنبؤ بقيم الطلب النادرة تمثل دوراً حيوياً في الأداء الوظيفي.

معظم نماذج توقع السلاسل الزمنية تعتمد على أهداف متماثلة، مثل متوسط الخطأ التربيعي (MSE)، مما قد يتسبب في تجاهل الأخطاء الحادة والتوقيت الدقيق للذروة في التوقعات. هنا يأتي دور تقنية "خسارة الذروة غير المتماثلة" (Asymmetric Peak-Aware Loss - APAL)، التي تم تصميمها لتكون بسيطة ومرنة في الاستخدام عبر مختلف النماذج.

تقوم هذه التقنية بمعاقبة التوقعات غير الدقيقة بشكل أكبر، كما تعزز وزن التدريب للذروات في كل نافذة توقع. وليست هذه التحسينات فقط، بل نقوم أيضاً بتقديم بروتوكول تقييم يركز على دقة القيم الحدية، مما يوفر قياسات دقيقة تسمح باستخراج معلومات أوضح عن أداء النموذج.

تم اختبار تقنية APAL في مجالات عدة، بما في ذلك توقعات الطلب على المشاة باستخدام مجموعة بيانات فعالة من مدينة ملبورن. والغرض من هذه الاختبارات هو تحسين الدقة في توقعات الذروة بينما ننظر إلى الأخطاء الناتجة عن التوقعات الكلية.

تظهر النتائج أن APAL تُسهم بشكل مباشر في تحسين الدقة وضمان التعامل الأفضل مع حالات الذروة، مما يجعلها خياراً عملياً في مواجهة التحديات التشغيلية عندما تكون الأخطاء في التنبؤ بالذروة هي الشغل الشاغل.