في عصر الذكاء الاصطناعي، أصبحت البيانات الاصطناعية (Synthetic Data) أحد العناصر الأساسية في تدريب نماذج اللغات الضخمة (Large Language Models) وتحسين أدائها. ولكن هل يمكن أن يكون لها نفس التأثير في مجال التنبؤات الزمنية؟ يبدو أن هذا الموضوع يتطلب تحقيقًا أعمق.

في دراسة جديدة أُجريت على نطاق واسع، استخدم الباحثون تسع مجموعات تجريبية وقاموا بإجراء 4,218 تجربة لتحليل تأثير إضافة البيانات الاصطناعية في خوارزميات التنبؤ الزمنية. اختبروا خمس بنى معمارية مختلفة وأربع إشارات اصطناعية وسبع مجموعات بيانات متباينة.

وجدت النتائج أن التأثيرات تعتمد بشكل كبير على بنية النموذج المستخدم. فقد ظهرت نماذج القناة المختلطة (Channel-Mixing Models) مثل TimesNet وiTransformer فوائد واضحة في معظم التجارب، في حين أن النماذج المستقلة عن القنوات (Channel-Independent Models) مثل DLinear وPatchTST تعاني من انحدار في الأداء. في إعدادات ذات موارد منخفضة، كانت المكاسب ملحوظة؛ فعلى سبيل المثال، حقق TimesNet المدرب على 10% فقط من بيانات الطقس أداءً أفضل من النموذج البالغ الذي استخدم جميع البيانات.

بالمعدل، أثرت الإضافة الاصطناعية سلبًا في 67% من التجارب. كما وُجد أن مولد الاتجاه الموسمي (Seasonal-Trend Generator) يعد الأداة الأكثر موثوقية في جميع المعايير التي تم اختبارها، بينما كان التبديل الصعب (Hard Curriculum Switching) ضارًا بشكل ملحوظ، مما أدى إلى زيادة في معدل خطأ التربيع المتوسط (+24% MSE degradation).

توفر هذه النتائج إرشادات عملية وواضحة حول كيفية استخدام البيانات الاصطناعية: يجب استخدام الإضافة الاصطناعية مع العمارة المختلطة، واتباع جداول تدرجية، ومعاملة الإضافات في الموارد المنخفضة كمسألة تعتمد على العمارة ومجموعة البيانات المستخدمة.