في الآونة الأخيرة، أثبتت نماذج الرؤية الكبيرة (Large Vision Models - LVMs) أنها فعالة بشكل مذهل في توقع السلاسل الزمنية، حيث تعتمد على تحويل بيانات الزمن إلى صور. ومع ذلك، يوجد افتراض未 يتم فحصه بشكل كافٍ: هل الصور الناتجة عن السلاسل الزمنية قريبة بما يكفي من الصور الطبيعية ليتم نقل المعرفة من النماذج المدربة مسبقًا بفاعلية؟

توصل الباحثون إلى وجود فجوتين أساسيتين تحدان من إمكانيات LVMs في توقع السلاسل الزمنية: الفجوة الطيفية والفجوة البنائية. فبينما تظهر الصور الناتجة من السلاسل الزمنية طيفًا Power Spectrum أكثر ضحالة مقارنةً بالصور الطبيعية التي تم تدريب LVMs عليها، يؤثر التحويل من تسلسلات زمنية أحادية الأبعاد إلى شبكات ثنائية الأبعاد على الفهم المكاني لمكونات الزمان.

للتغلب على هذه الفجوات، يقترح الباحثون نموذج SSDA، وهو شبكة مزدوجة التكيف تعمل على معالجة الفجوات الطيفية والبنائية. ومن خلال تقنية محاذاة الطيف (Spectral Magnitude Aligner - SMA)، يتم تطبيق تحويل فورييه ثنائي الأبعاد (2D FFT) لتعزيز طيف magnitude باتجاه إحصاءات الصور الطبيعية مع الحفاظ على المرحلة. بينما تتدخل تقنية التكيف البنائي (Structural-Guided Low-Rank Adaptation - SG-LoRA) من خلال دمج الترميزات الزمنية المعتمدة على الموضع.

أظهرت التجارب الشاملة على سبع معايير حقيقية أن نموذج SSDA يتفوق باستمرار على نماذج LVM وLLM المعتمدة في كل من البيئات الكاملة والبيئات النادرة. إذا كنت مهتمًا بمعرفة كيفية بدء استخدام هذا النموذج لتلبية احتياجاتك في التوقعات الزمنية، فلا تتردد في زيارة الكود المتاح.

هل تبحث عن تطوير تقنيات التنبؤ الخاصة بك؟ ما رأيكم في هذا التطور؟ شاركونا في التعليقات!