تعتمد توقعات السلاسل الزمنية على أدوات حاسوبية مهمة تدعم العديد من التطبيقات الواقعية، مثل تحسين الموارد وصنع القرار. ومع أن النماذج الحديثة حققت تقدمًا هائلًا، إلا أن أغلبها لا يزال يتعامل مع مهمة التوقعات كتحويل ثابت من التاريخ إلى الأفق المستهدف، مما يؤدي إلى انفصال زمني عبر النقاط المستقبلية ويعيق القدرة على التكيف مع السياقات المتغيرة.

هنا يأتي دور LeapTS، وهو إطار عمل مبتكر يعيد صياغة توقعات السلاسل الزمنية كعملية جدولة ديناميكية على مدى فترة التوقع. يعتمد LeapTS على تنظيم عملية التوقع إلى قرارات متعددة المستويات باستخدام: (1) متحكم هرمي لاختيار مقياس التوقع الأمثل وطول التقدم في كل خطوة بشكل ديناميكي، و(2) تطور زمني مستمر يقوده المعادلات التفاضلية العصبية.

تقدم هذه الآلية آلية تحديث مقننة تربط الديناميات الزمنية غير المنتظمة مع ردود الفعل على الجدولة. وقد أظهرت التقييمات الشاملة على مجموعات بيانات حقيقية وصناعية أن LeapTS حسّن الأداء الكلي للتوقعات بنسبة لا تقل عن 7.4%، في حين حقق تسريعًا في زمن الاستدلال يتراوح بين 2.6 إلى 5.3 مرة مقارنةً بالنماذج المستندة إلى شبكة Transformer.

بالإضافة إلى ذلك، من خلال تتبع مسارات الجدولة بشكل صريح، نكشف كيف يتكيف النموذج بشكل مستقل مع سلوكيات التوقع لالتقاط الديناميات غير الثابتة.