تُعتبر الأنماط الدورية الموثوقة من الأسس الجوهرية للحصول على توقعات دقيقة في مجال السلاسل الزمنية المتعددة المتغيرات. ومع ذلك، تفتقر الأساليب الحالية إلى الكفاءة، حيث يتم إما استخراجها بشكل غير مباشر عبر هياكل معقدة مثل نماذج Transformers، مما يؤدي إلى زيادة الحمل الحاسوبي، أو تتجاهل الربط الداخلي بين الطور والشدة خلال عملية النمذجة.

لذا، يظهر الابتكار في شكل شبكة PAMNet (Cycle-aware Phase-Amplitude Modulation Network)، التي تقوم بتفكيك الأنماط الدورية إلى مكونين متكاملين: الطور (Phase) والشدة (Amplitude). تتمثل الابتكارات الأساسية في الموديل ثنائي الفرع، الذي يتضمن تركيبات قابلة للتعلم مخصصة لموقع الطور وضبط الشدة.

في هذا النموذج، يستخدم الفرع الخاص بالطور تركيبات دورية تلتقط التحولات المتوسطة المعتمدة على الطور، بينما يقوم فرع الشدة بنمذجة التغيرات في الشدة ليتكيف مع تغييرات التباين. كما يشتمل الموديل الخفيف على دمج عنصر-بعنصر يجمع بكفاءة بين هذه المكونات، مما يمكّن من نمذجة تفاعلاتها بشكل واضح دون الحاجة إلى آليات انتباه معقدة.

تشير نتائج التجارب الواسعة على اثني عشر مجموعة بيانات حقيقية إلى أن شبكة PAMNet تحقق أداءً متقدماً في توقعات السلاسل الزمنية بفضل آلية فك الارتباط بين الطور والشدة، مقدمة آفاق جديدة لنمذجة الأنماط الدورية في هذا المجال. إن هذا التطور لا يعد مجرد تقدم تقني، بل خطوة كبيرة نحو تحسين مدى دقة التوقعات وتحليل البيانات الزمنية.