تتواجد بيانات السلاسل الزمنية في كل زوايا الأنظمة والخدمات في العالم الحقيقي، بدءًا من الأقمار الصناعية في السماء وحتى الأجهزة القابلة للارتداء على أجسادنا. إن تعلم التمثيلات من خلال استخراج واستنتاج المعلومات القيمة من هذه السلاسل الزمنية يعد أمرًا حاسمًا لفهم الديناميكيات المعقدة للظواهر السماوية والبيولوجية، وتمكين اتخاذ قرارات متبصرة.

من خلال التمثيلات المتعلمة، يمكننا إجراء العديد من التحليلات اللاحقة بشكل أكثر كفاءة. بين العديد من الأساليب، أثبت التعلم العميق (Deep Learning) أداءً استثنائيًا في استخراج الأنماط الخفية والميزات من بيانات السلاسل الزمنية بدون الحاجة إلى الهندسة اليدوية للميزات.

تقدم هذه المراجعة تصنيفًا جديدًا قائمًا على ثلاثة عناصر أساسية في تصميم أساليب التعلم العالمي للتمثيلات للسلاسل الزمنية. وفقًا لهذا التصنيف، نستعرض الدراسات الحالية ونناقش رؤاها وأفكارها حول كيفية تحسين هذه الأساليب لجودة التمثيلات المتعلمة.

ختامًا، كدليل للأبحاث المستقبلية، نُلخص الإعدادات التجريبية والبيانات المستخدمة بشكل شائع ونناقش اتجاهات البحث الواعدة التي يمكن استكشافها. للمزيد من المعلومات، يمكن الوصول إلى الموارد المتاحة على الرابط هنا.