في عالم البيانات الضخمة، تمثل استعلامات اللغة الطبيعية لقاعدة بيانات السلاسل الزمنية (NLQ4TSDB) خطوة هائلة نحو تمكين المستخدمين غير الخبراء من استرجاع الأحداث والفترات والملخصات من السجلات الزمنية الضخمة بسهولة.

إلا أن الطرق التقليدية مثل Text-to-SQL غالباً ما تكون محدودة في التعامل مع الأشكال المتغيرة أو anomalies، كما أن نماذج السلاسل الزمنية تواجه صعوبات في التعامل مع التاريخ الطويل جداً.

للتغلب على هذه التحديات، تم تقديم Sonar-TS، وهو إطار عمل عصبي-رمزي يعتمد على مبدأ البحث-ثم-التحقق (Search-Then-Verify). يعمل Sonar-TS بطريقة مشابهة لعمل السونار، حيث يستخدم فهرس ميزات لتحديد النافذات المرشحة عبر SQL، ثم يتبعها برامج Python للتحقق من صحة تلك النافذات ضد الإشارات الخام.

ولتعزيز فعالية التقييم، قدمنا أيضًا NLQTSBench، أول مرجعية كبيرة مصممة لاستعلامات اللغة الطبيعية على التاريخ الزمني الكبير. تبرز تجاربنا التحديات الفريدة في هذا المجال وتظهر كيف يمكن لـ Sonar-TS التنقل بفعالية بين الاستعلامات الزمنية المعقدة التي تفشل الطرق التقليدية في التعامل معها.

هذا العمل يمثل الدراسة المنظمة الأولى لـ NLQ4TSDB، حيث يقدم إطارًا عامًا ومعايير تقييم تسهم في تسريع الأبحاث المستقبلية في هذا المجال المتطور.