يعتبر التنبؤ بالسلاسل الزمنية (Time Series Forecasting) عنصرًا حيويًا في العديد من التطبيقات الواقعية، حيث يتطلب الأمر فهمًا عميقًا للبيانات والسلوكيات المستقبلية. في عالم مليء بالتعقيد وعدم اليقين، قد تكون التنبؤات الأحادية غير كافية، مما يستدعي البحث عن طرق جديدة لتحسين نماذج التنبؤ. هنا يأتي إطار PaP-NF (Probabilistic Long-Term Time Series Forecasting) ليقدم حلاً مبتكرًا.

يفتقر معظم النماذج الحالية إلى القدرة على تمثيل عدم اليقين المعقد للسلاسل الزمنية، حيث يعتمد العديد منها على نماذج حتمية (Deterministic Models). ولكن، مع PaP-NF، تضاف طبقة جديدة من التعقيد، حيث يستخدم هذا الإطار آلية تسمى Prefix-as-Prompt لدمج نماذج اللغة الكبيرة (Large Language Models) في عملية التنبؤ.

تساهم هذه الآلية في توحيد التمثيلات المستمرة للسلاسل الزمنية مع نموذج لغة مُجمد، مما يسمح بتوليد توزيعات تنبؤية أكثر دقة وقوة. بالإضافة إلى ذلك، يعتمد الإطار على مُشفر تدفق مُنظم (Normalizing Flow Decoder) للربط مع السياق العالمي الذي يستخرجه نموذج اللغة، مما يجعله قادرًا على تحقيق جودة أفضل في التنبوءات.

تم تقييم جودة التوزيعات التنبؤية الناتجة باستخدام مقياس CRPS (Continuous Ranked Probability Score)، والذي يعد معيارًا قياسيًا في مجال التنبؤات المحتملة. وقد أظهرت الاختبارات أن PaP-NF يتميز بقدرته على التقاط عدم اليقين متعدد الأنماط (Multi-modal Uncertainty) بينما يحافظ على دقة تنافسية في التنبؤات الأحادية.

يمكن الاستفادة من هذا الإطار في مجموعة متنوعة من التطبيقات العملية، مثل التنبؤ بالأسعار في الأسواق المالية أو تحديد الاحتياجات المستقبلية في إدارة الإمدادات.

للاطلاع على التنفيذ الرسمي للإطار، يمكن زيارة الرابط: رابط المشروع على GitHub.

ما هي آراؤكم حول هذا الابتكار في مجال التنبؤ بالبيانات؟ شاركونا في التعليقات!