في الآونة الأخيرة، أثبتت نماذج اللغات الضخمة (Large Language Models - LLMs) قدرتها على تقديم منظور جديد في مجال تحليل السلاسل الزمنية (Time Series Analysis - TSA). فبفضل قدراتها اللغوية المتقدمة، أصبحت قادرة على دعم مجموعة من المهام مثل التنبؤ واكتشاف الشذوذ. ولكن، بالرغم من هذه المزايا، يظل هناك فجوة كبيرة بين مهام التحليل التقليدية ومتطلبات تحليل اللغة الزمنية، مثل التفسير ووصف البيانات.

الفجوة الأساسية تكمن في أن نماذج اللغات الضخمة تم تدريبها مسبقًا لتحسين توافق اللغة الطبيعية مع مهام الإجابة على الأسئلة، بدلاً من الأهداف المتخصصة في تحليل السلاسل الزمنية. لذا فإن التطور الطبيعي الذي نراه الآن هو الانتقال من تحليل السلاسل الزمنية التقليدي إلى إجابة الأسئلة المتعلقة بالسلاسل الزمنية (Time Series Question Answering - TSQA)، وهو تحول يُعنى بتلبية احتياجات المستخدمين بشكل أكثر شمولية.

هذا التحول يعتمد على الاستكشاف المرن بدلاً من الاعتماد على طرق تحليل السلاسل الزمنية المحددة مسبقًا. في هذا البحث، نبدأ بتقديم تصنيف يعكس تطور TSA إلى TSQA، مستندين إلى الانتقال من التوافق الخارجي إلى التوافق الداخلي. كما قمنا بتنظيم الأدبيات الموجودة في ثلاثة نماذج للتوافق: التوافق الحقن (Injective Alignment)، التوافق بالجسر (Bridging Alignment)، والتوافق الداخلي (Internal Alignment). وزودنا الباحثين بتوجيهات عملية لاختيار نماذج التوافق بطريقة مرنة واقتصادية وأكثر عمومية.

ختامًا، نقوم بتحليل مجموعات البيانات عبر المجالات المختلفة وخصائصها، ونتناول التحديات القائمة، بينما نسلط الضوء على الاتجاهات المستقبلية للبحث في هذا المجال الديناميكي.