في عالم البيانات المعقد، يمثل تحليل البيانات الزمنية المركبة تحدياً كبيراً يتطلب دقة عالية ونماذج متقدمة. تميل هذه الأنواع من البيانات إلى عرض اعتماديات زمنية معقدة وتباين في الديناميات عبر مقاييس زمنية متعددة، مما يجعل نمذجة السلاسل الزمنية مهمة شاقة.

تستخدم الشبكات العصبية التقليدية، مثل الشبكات الذاكرات الطويلة والقصيرة (LSTM)، أساليب موحدة تعمل في الزمن المتقطع وقد تجد صعوبة في التقاط السلوكيات الزمنية المستمرة وغير المنتظمة بشكل فعال. بينما جاءت الشبكات العصبية السائلة (Liquid Neural Networks) للتغلب على بعض هذه القيود من خلال ديناميات الزمن المستمر، تعتمد معظم الهياكل التقليدية لها على نظام ديناميكي واحد، مما يحد من قدرتها على نمذجة الأنماط الزمنية المتجانسة.

هنا يتدخل الابتكار الجديد: إطار عمل متعدد المعدلات من مختصين (Multi-Rate Mixture-of-Experts) يتم بناؤه فوق الشبكات العصبية السائلة. في هذا التصميم، تعمل مجموعة من المختصين المعتمدين على الشبكات العصبية السائلة في مقاييس زمنية متميزة، مما يمكّن النموذج من فصل الديناميات السريعة من الاتجاهات الزمنية البطيئة بوضوح، مما يعزز دقة التنبؤات.

بالإضافة إلى ذلك، تم دمج آليات الانتباه على مستوى الميزة والزمن لتحسين الكفاءة والقدرة على الفهم ونمذجة الاعتمادية على المدى الطويل. يساهم الانتباه على مستوى الميزة في تقليل تأثير المتغيرات الضجيجية أو غير ذات الصلة، بينما يساعد الانتباه الزمني في التركيز على الحالات التاريخية المفيدة.

تم تقييم إطار العمل المقترح في مهمة التنبؤ المعقدة للبيانات الزمنية المتعددة المتغيرات، وقد أظهرت التجارب أن هذا الإطار الجديد يتفوق بانتظام على النماذج الأساسية القوية، بما في ذلك LSTM والشبكات العصبية السائلة التقليدية والنماذج المختارة التقليدية. تظهر النتائج التجريبية تفوق إطار العمل الجديد في الأداء والفاعلية الحاسوبية، مما يدل على فعالية دمج الديناميات الزمنية المستمرة مع تفكيك المختصين المتعددين وآليات الانتباه التكيفية لنمذجة السلاسل الزمنية.