في عالم يتطور فيه الذكاء الاصطناعي بشكل متسارع، أصبحت التحديات المتعلقة بالتنبؤ بالسلاسل الزمنية تكتسب أهمية كبيرة. فغالبًا ما تُنتج السلاسل الزمنية في التطبيقات الواقعية من أنظمة ديناميكية غير خطية، مما يعيق دقة التنبؤ. تميل النماذج التقليدية إلى الاعتماد على فرضيات خطية أو تقنيات تعتمد على نظرية كوبمان لتجنب هذه التعقيدات، لكن هذه الأساليب قد تفشل في تمثيل السلوكيات غير الخطية الدقيقة، مما يؤدي إلى تراكم الأخطاء على المدى الطويل.

للتغلب على هذه المحدودية، تم اقتراح نموذج الديناميكا الثنائية العصبية (NBDM)، الذي يُعد طفرة في نمذجة الديناميات غير الخطية من خلال صياغة ديناميكية ثنائية. يعتمد NBDM على نظرية كوبمان لرفع الديناميات الأصلية غير الخطية إلى فضاء مرتفع الأبعاد، حيث يتم بناء نموذج ديناميكي ثنائي لوصف تطور الحالة. كما يتضمن هذا النموذج مصطلح تعويض خطأ مُعتمد على العوامل، مما يساعد في تقليل الأخطاء الناجمة عن التمثيلات الثنائية.

وفي سياق الاستجابة للمدخلات التحكمية، يتم دمجها بوضوح ضمن الديناميات، مما يسهل استخدام متغيرات إضافية عندما تكون متاحة، أو الإشارات المرتجعة المتعلمة في حالات أخرى. وعندما تكون المدخلات التحكمية مفقودة، تم تصميم وحدة تحكم معززة بالذاكرة لاستنتاج التحكمات الكامنة من خلال التفاعلات المضاعفة بين الحالات التاريخية والإشارات التحكمية.

النتائج التي تم الحصول عليها من خمسة مجموعات بيانات حقيقية تظهر أن NBDM يتفوق بشكل مستمر على النماذج التقليدية الأخرى في إعدادات التحكم المختلفة، سواء أكانت المدخلات متاحة أم مفقودة، وبالأخص في التنبؤات متعددة الخطوات والتنبؤات على المدى الطويل.

هل تعتقد أن هذه النماذج تمثل مستقبل أساليب التنبؤ بالسلاسل الزمنية؟ شاركونا آراءكم في التعليقات.