يعتبر التنبؤ بالسلاسل الزمنية ذات الأمد الطويل من أهم التطبيقات في مجالات عدة مثل توقعات الطقس والتخطيط لاستهلاك الكهرباء. وقد عُرفت الطرق المتعلقة بالترددات بحل هذه المهمة عن طريق تحليل الملاحظات إلى مكونات تعبّر عن التغيرات الزمنية على مقاييس مختلفة. ومع ذلك، لم توفر هذه التمثيلات منفذًا واضحًا لتعديل التركيز أثناء التدريب عبر هذه المكونات.

في إطار هدف تنبؤ مشترك، تحتفظ الشبكات المختصة بالترددات بمستويات مختلفة من خطأ تنبؤ المعاملات، مما يوجب تطوير تعديل يعتمد على الأخطاء. هنا يأتي دور BEAT (تعديل توازن الترددات)، وهو إطار يجمع بين مراقبة الأخطاء المرتبطة بالترددات وتعديل التدرجات بشكل ديناميكي.

لقد صممنا أداة مراقبة محددة للتردد تقارن بين المعاملات المتوقعة والهدف في فضاء موحد، وتعبّر كل تباين بالنسبة إلى خطأ مرجعي تم حسابه من المكونات التفصيلية. علاوة على ذلك، نقدم مُعدّل تدرجي ديناميكي يقوم بتحويل هذه النسب إلى معاملات إيجابية ومقيدة.

المكونات التي تحمل أخطاء نسبية أعلى تحصل على أوزان تدرجي أكبر، بينما تحصل المكونات ذات الأخطاء النسبية الأقل على أوزان أصغر. كما أن هناك مُعَدّل قوي موحد يتحكم في الابتعاد عن التدريب غير المعدل، وتُستخدم عمليات المراقبة والموازنة فقط خلال التدريب.

أظهرت التجارب على سبعة مجموعات بيانات حقيقية أن BEAT يحقق أداءًا تنافسيًا ضد أحدث طرق التنبؤ المتاحة. مع هذا النهج الجديد، يبدو أن BEAT يمثل مستقبلًا واعدًا في دقة التنبؤ بالسلاسل الزمنية الطويلة!