تعتبر السلاسل الزمنية أداة حيوية في مختلف القطاعات مثل الطاقة والنقل، حيث ترتبط الديناميات غير الثابتة بشكل عميق بالأحداث الخارجية التي تحدث في منظومات أخرى مثل النصوص. ورغم ذلك، فإن دمج الأحداث النصية الطبيعية لتحسين التنبؤ بالسلاسل الزمنية غير الثابتة لا يزال يمثل تحديًا كبيرًا، إذ يعتمد معظم النهج الحالية على وسيلة واحدة، مما يؤدي إلى معرفة سياقية محدودة وأداء ضعيف للنماذج.

تواجه عمليات الدمج بين البيانات الزمنية والنصية صعوبتين أساسيتين: الفجوة في نمذجة التفاعلات بين الأحداث الخارجية المنفصلة والسلاسل الزمنية المستمرة في إطار موحد، والاعتماد على معايير زمنية موحدة تؤدي إلى تجاهل التقلبات غير الثابتة الناتجة عن الأحداث، مما ينتج عنه صعوبة غير متوازنة في تخفيف الضوضاء عبر مراحل الانتشار.

يأتي نموذج EventTSF كحل مبتكر لتلك التحديات، حيث يتضمن إطار عمل تفاضلي تكراري يعزز التنبؤ بالسلاسل الزمنية غير الثابتة عبر دمج السلاسل الزمنية التاريخية والأحداث النصية من خلال عملية تكرارية خطوة بخطوة. وللتخفيف من صعوبة تخفيف الضوضاء غير المتوازنة الناتجة عن عينات الزمن الموحدة، يعتمد EventTSF على تدفق زمني مدرك للأحداث مشروط بدلالات تلك الأحداث.

أظهرت التجارب الواسعة على سبعة مجموعات بيانات حقيقية وصناعية أن EventTSF يتفوق على 12 نموذجًا مرجعيًا لتنبؤ السلاسل الزمنية غير الثابتة، مع تحقيق نسبة تحسين تصل إلى 41.3% في التنبؤات الاحتمالية و27.5% في التنبؤات المحددة عبر جميع معايير التقييم.

هل أنتم متحمسون لرؤية كيف يمكن لهذه التقنية الجديدة أن تؤثر على جوانب مختلفة من حياتنا؟ شاركونا آرائكم في التعليقات!