ثورة جديدة في تحليل السلاسل الزمنية: تقنية التقطيع متعدد الموجات العصبية

يعتبر تحليل السلاسل الزمنية (Time Series Analysis) مجالًا أساسيًا في العديد من الصناعات، تشمل المالية، والرعاية الصحية، والأرصاد الجوية. غالبًا ما تظهر السلاسل الزمنية في الواقع خصائص متعددة المقاييس تحددها عوامل خفية متنوعة، ما يؤدي إلى أنماط زمنية معقدة وهياكل ترددية غنية. ومع ذلك، تركز الأساليب الحالية عادةً على تحليل التردد أو استخراج الأنماط الزمنية بشكل مستقل، مما يُهمل التركيب المشترك لكليهما.

وبناءً على هذا، يظهر إطار العمل الجديد المسمى m-WCN، والذي يشكل ثورة في معالجة بيانات السلاسل الزمنية. يعتمد هذا النموذج الذي يتم تدريبه بطريقة عميقة على تقنية التقطيع متعدد الموجات العصبية (Neuralized Multi-Wavelet Decomposition)، والذي يتيح استخراج الأنماط الزمنية والمكونات الترددية في وقت واحد. يعتمد m-WCN على تحويل الموجات المتعددة GHM الكلاسيكية مع مشغلات تلافيفية قابلة للتدريب، مما يُنتج تمثيلات متعددة الدقة "interpetable multi-resolution representations" التي تدعم التطبيقات العملية.

نتيجة لهذا الابتكار، تم تطوير معمارين خاصين بالمهام: TFBC للتصنيف، لزيادة الميزات التمييزية عبر المقاييس الترددية، وFTB للتنبؤ، الذي يجمع بين المتنبئين القابلين للتكرار. أظهرت التجارب الواسعة التي تمت على 64 مجموعة بيانات من UCR وسبع منصات تنبؤ عامة فاعلية كبيرة لهذا الأسلوب.

بفضل m-WCN، حقق كل من TFBC وFTB نتائج تتجاوز النماذج الخطية التقليدية، حيث سجلت زيادة متوسطها 19.97% في أداء التصنيف و19.92% في التنبؤ. إن هذه النتائج تعتبر شهادة قوية على فعالية هيكلية الابتكار في معالجة وتحليل السلاسل الزمنية كما لم يحدث من قبل.