في عالم الذكاء الاصطناعي، لا تزال نماذج تصميم الشبكات العصبية للاستخدامات المتعددة في توقعات السلاسل الزمنية (Time Series Forecasting) غير مست explored بشكل كافٍ. عانت أغلب المقاربات من الاعتماد على هياكل ثابتة لنموذج التحويل (Transformer) رغم اختلاف المتطلبات عبر المهام والإعدادات. لذا، تأتي الدراسة الجديدة EVOTS لتقديم إطار عمل مبتكر يعتمد على البحث التطوري لتصميم نماذج شبكية تتكيف مع متطلبات التنبؤ، مما قد يحدث ثورة في مجال توقعات السلاسل الزمنية.

يُعتبر نظام EVOTS محركًا قويًا، حيث يتم تشفير الهياكل باستخدام تمثيل جيني معياري، مما يسمح بتكوين مرن لمكونات الانتباه (Attention) والتغذية الأمامية (Feed-forward) ومكونات الإسقاط (Projection). علاوة على ذلك، يُعزز آلية الإصلاح من صلاحية الهيكل خلال العملية التطورية، مما يسمح بالاستكشاف الفعال لمجموعة متنوعة من الهياكل دون الاعتماد على قواعد تصميم يدوية.

تم تقييم الطريقة المقترحة على أربعة مجموعات بيانات معيارية من عائلة ETT، بما في ذلك (ETTh1 وETTh2 وETTm1 وETTm2)، تحت إعدادات توقع مختلفة تشمل التنبؤ الأحادي إلى الأحادي، المتعدد إلى الأحادي، والمتعدد إلى المتعدد، مع آفاق 96 و192 و336 و720. في ضبط متعدد إلى متعدد، حققت الهياكل التي تم تطويرها نتائج جيدة، وفي بعض الحالات، تفوقت على نموذج التحويل الشهير.

تعكس النتائج أهمية البحث التطوري في اكتشاف هياكل تشبه نموذج التحويل القابلة للتكيف وعالية الأداء لتوقعات السلاسل الزمنية المتعددة، ضمن قيود زمن التشغيل العملية. ماذا تعتقدون عن هذه الطريقة الجديدة؟ هل تعتقدون أنها ستحدث تغييرًا في طريقة توقع السلاسل الزمنية؟ شاركونا آراءكم في التعليقات!