في عالم يتطور بسرعة، أصبحت توقعات السلاسل الزمنية غير المنتظمة (Irregular Time Series Forecasting) من المواضيع الحساسة التي تتطلب المزيد من البحث والتطوير. هذه السلاسل الزمنية تلعب دورًا حيويًا في مجالات متعددة مثل الرعاية الصحية، حيث يعتمد الأطباء على توقعات دقيقة لمعالجة المرضى، أو في المراقبة المناخية، حيث تعتمد قرارات مهمة على تحليلات دقيقة للبيانات المتاحة.

تأتي الصعوبة في تحليل هذه السلاسل الزمنية من خصائصها الفريدة، مثل الملاحظات النادرة وعدم انتظام العينة. تعاني الطرق التقليدية من تحديات عديدة، بما في ذلك تحيز يقاوم التلاشي الناتج عن تجاهل كثافة العينة الزمنية، وقيود المرونة في الوظائف الأساسية المعروفة.

لذا، قدمت دراسة جديدة من جامعة هانغتشو للتكنولوجيا (HNU) نموذجًا مبتكرًا يدعى الشبكة العصبية لوظائف الأساس غير المتحيزة (Debiased Neural Basis-Function Network أو DNBNet)، الذي يهدف إلى التغلب على هذه القيود.

تركز DNBNet على تصحيح التحيز من خلال عينة أهمية (Importance Sampling) وتوظيف وظائف الأساس بشكل ديناميكي عبر الشبكات العصبية، مما يتيح لها التكيف مع أنماط زمنية متنوعة. كما تم تصميم وحدة تحليل متعددة المقاييس تعتمد على متوسط التجميع، مترافقة مع آلية دمج تأخذ في الاعتبار كثافة البيانات، مما يسهم في تحقيق تمثيلات أكثر ثراء.

تأتي فعالية DNBNet بعد تجارب موسعة على عدة مجموعات بيانات واقعية، حيث أثبتت قدرتها العالية على التعميم ومواجهة التحديات المميزة للسلاسل الزمنية غير المنتظمة. يمكن للمطورين والباحثين الراغبين في الاستفادة من هذا النموذج الوصول إلى الشيفرة المصدرية عبر رابط الشيفرة.

فهل أنت مستعد لاستكشاف هذه الطرق الجديدة للتنبؤ؟ شاركنا أفكارك في التعليقات!