في عالم التعلم العميق (Deep Learning)، تعتبر سلاسل الزمن (Time Series) أحد المجالات المعقدة التي تواجه تحديات في الأداء في البيئات الواقعية. على الرغم من التقدم الكبير في تقنيات التنبؤ، إلا أن ديناميكيات غير المستقرة ونقص قابلية الفهم تعوق تطبيق هذه النماذج. لذلك، ينصب التركيز في البحث الجديد على استخدام قابلية الفهم (Explainability) كأداة مركزية لفهم التعلم المستمر (Continual Learning) في تنبؤات السلاسل الزمنية.

تعتمد الدراسة على استراتيجيات مثل "تجربة إعادة التشغيل" (Experience Replay) لدعم النماذج في تكيفها مع مرور الوقت. وتتناول الأبحاث بنى التنبؤ العصبي مثل PatchMixer وPatchTST وDLinear، المعززة بآليات أخذ عينات قائمة على الانتباه (Attention) لتسهيل التكيّف المستمر للنماذج.

تم توظيف قابلية الفهم من خلال كشف الانتباه (Attention Rollout) وطرق النسبة المبنية على التدرجات (Gradient-based Attribution Methods) مثل Grad-CAM لتحليل سلوك النماذج واستراتيجيات الأخذ العينات. تظهر التجارب التي أُجريت على بيانات حقيقية تعكس أنماطاً متباينة وتحولات في النظام أن تحليل سلوك النماذج وآليات الأخذ العينات يؤدي إلى رؤى قيمة ضمن إطار التعلم المستمر.

تتجاوز النتائج المستخلصة من هذه التجارب الأداء التنبؤي، حيث تسلط الضوء على التحديات والفرص المرتبطة باستخدام قابلية الفهم لفهم سلوكيات التعلم المستمر، موضحة كيف تتطور أنماط النسبة مع مرور الوقت وكيف يمكن أن تؤثر على استراتيجيات اختيار البيانات والتكيف في سيناريوهات التنبؤ غير المستقرة.