في عالم تتزايد فيه أهمية تحليل البيانات، أصبح التنبؤ بالسلاسل الزمنية المتعددة المتغيرات (Multivariate Time Series Forecasting) ضرورة ملحة، تطبق في مجالات متعددة بدءًا من التحليل المالي إلى إدارة الطاقة والتخطيط المروري. ورغم انطلاق شغف الباحثين نحو نماذج Transformer المعروفة بقوة أدائها، تظهر الأبحاث الحديثة أن نماذج الشبكات العصبية المتعددة الطبقات (MLP) البسيطة قد تحقق نتائج تنافسية بل وأحياناً تفوق في الأداء مع تقليل كبير في التكلفة الحسابية.

نقدم لكم ITS-Mina، إطار عمل جديد كلياً يعتمد على نماذج MLP، حيث يتضمن ثلاث ابتكارات رئيسية تغير قواعد اللعبة:
1. **آلية التحسين التكراري**: تعزز تمثيلات الزمن تدريجياً من خلال تطبيق تكراري لمجموعة من أدوات المزج البارامترية المشتركة، ما يعمق قدرة النموذج الحسابية دون زيادة عدد البارامترات المتباينة.
2. **وحدة الانتباه الخارجي**: تحل محل الانتباه الذاتي التقليدي بفتحات ذاكرة قابلة للتعلم، مما يمكن النموذج من التقاط العلاقات العالمية عبر العينات بمستويات تعقيد حسابي خطي.
3. **خوارزمية تحسين الصقور هاريس (Harris Hawks Optimization)**: تعمل على ضبط معدل التسرب تلقائياً، مما يمكن من تنظيم متكيف يتناسب مع كل مجموعة بيانات.

التجارب الواسعة على ست مجموعات بيانات معتمدة تظهر أن ITS-Mina يحقق أداءً رائداً أو تنافسياً للغاية مقارنةً بإحدى عشرة نموذج قاعدة عبر عدة آفاق تنبؤية. يمكن أن يُحدث هذا الإطار تحولاً جذرياً في كيفية تنفيذ التنبؤ بالبيانات الزمنية المعقدة ويُعدّ وتيرة جديدة لضبط الأداء.

ما رأيكم في تلك الابتكارات المدهشة في مجال الذكاء الاصطناعي؟ شاركونا أفكاركم في التعليقات!