تواجه توقعات السلاسل الزمنية (Time Series Forecasting - TSF) العديد من التحديات في نمذجة التفاعلات الزمنية المعقدة عبر مقاييس مختلفة. بالرغم من التقدم الملحوظ الذي تم تحقيقه في السنوات الأخيرة باستخدام تقنيات مبتكرة مثل الشبكات العصبية التلافيفية (CNN) والشبكات متعددة الطبقات (MLP) وتقنية المحولات (Transformer)، لا تزال الطرق الحالية تواجه صعوبات في الاستراتيجيات الثابتة والدمج المرن.

لذلك، نقدم إطار العمل الديناميكي متعدد المقاييس (Dynamic Multi-Scale Coordination Framework - DMSC) الذي يشتمل على ثلاثة مكونات رئيسية: كتلة تفكيك رقع متعددة المقاييس (Multi-Scale Patch Decomposition - EMPD)، وكتلة التفاعل الثلاثية (Triad Interaction Block - TIB)، وكتلة توجيه القياس التكيفية (Adaptive Scale Routing MoE - ASR-MoE).

خاصةً، تم تصميم EMPD كعنصر مدمج يقوم بتقسيم التسلسلات إلى رقع هرمية بمقاييس مختلفة، مما يتيح ضبطًا متكيفًا للسمات عبر بيانات الإدخال. بعد ذلك، تعمل TIB على نمذجة التفاعلات داخل الرقع وبين الرقع وعبر المتغيرات المختلفة في تمثيلات الطبقات المفككة. يتم دمج EMPD وTIB في هيكل متسلسل متعدد الطبقات، حيث توجه التمثيلات منخفضة الحبيبات من الطبقات السابقة استخراج السمات بدقة في الطبقات اللاحقة.

وأخيرًا، يقوم ASR-MoE بدمج التوقعات متعددة المقاييس بشكل ديناميكي من خلال الاعتماد على خبراء محليين وعالميين مع أوزان زمنية مدروسة.

أظهرت التجارب الشاملة على ثلاثة عشر معيارًا واقعيًا أن DMSC يحافظ باستمرار على الأداء الرائد في هذا المجال (SOTA) وكفاءة حسابية متفوقة لمهام توقع السلاسل الزمنية.

إذا كنتم ترغبون في استكشاف المزيد، يمكنكم الاطلاع على الكود المتاح على GitHub: https://github.com/1327679995/DMSC.