في عالم الذكاء الاصطناعي، تمثل الشبكات العصبية البيانية الزمنية (Spatio-Temporal Graph Neural Networks - STGNNs) أداة قوية في التنبؤات القصيرة الأجل للأنظمة الديناميكية مثل حركة المرور والطقس. ولكن، كانت ممارسة التقييم السائدة تعتمد على مجموعات بيانات حقيقية في مجال واحد مع تقسيمات ثابتة، مما يجعل من الصعب مقارنة الهياكل عبر البيئات الديناميكية المختلفة.

لكن الآن، ومع ظهور ChaosNetBench (CNB)، دخلنا في عصر جديد من تقييم الأداء. توفر هذه الأداة مجموعة بيانات صناعية وإطار عمل لدراسة أداء الشبكات العصبية البيانية الزمنية (STGNNs) في ظل ديناميات معقدة متعددة الأبعاد. يعتمد CNB على شبكة من الخرائط القياسية المترابطة مع فوضى محلية قابلة للتعديل وقوة ارتباط وحجم نظام معلوم، مما يحسن من إمكانية المقارنة عبر 96 نموذجًا و9,600 مسار.

يتضمن ChaosNetBench مؤشرات الفوضى ومقاييس التقييم وبروتوكولات تحليل لمقارنة قدرة بنى STGNN في مواجهة مستويات مختلفة من الفوضى. عند تحليل 13 بنية (5 شبكات STGNN و8 نماذج غير بيانية)، تم الكشف عن تحول يعتمد على الظروف حيث تبقى النماذج غير البيانية مثل TCN وN-BEATS تنافسية في وجود فوضى محلية منخفضة، في حين أن STGNNs مثل Graph WaveNet وD2STGNN تُظهر مقاومة أكبر لمستويات أعلى من الفوضى.

مع ChaosNetBench، نمتلك اختبارًا عمليًا وقابلًا للاستخدام في تحليل قدرة هياكل STGNN على التعامل مع فوضى محلية وعالمية مختلفة، مما يسهم في تحسين دقة التنبؤات في مجالات متعددة.