تعد تنبؤات السلاسل الزمنية (Time Series Forecasting) من التحديات الكبرى في عالم البيانات، حيث تُواجه بكثير من العقبات مثل انقطاع الإشارات وتأخيرات النقل والتقاط البيانات وفقاً لحدث معين. وفي حين تطورت الأساليب من مجرد تكامل البيانات إلى نماذج زمنية عصبية مثل Neural ODEs والشبكات الرسومية المستمرة، لا تزال هذه الأساليب تعتمد على افتراضات غير عملية في معظم الظروف.

في ورقة بحثية حديثة، قدم الباحثون نظاماً مبتكراً يُدعى Timeflies، الذي يعيد صياغة عملية التنبؤ كتحدي مشترك بين توقع القيم المستقبلية وفهم متى قد تحدث ملاحظات صالحة. هذا النظام يستخدم تدفقات للملاحظات والقيم، مترابطة من خلال ثلاثة مكونات مخصصة تضم نموذج تضميني واعي بالموثوقية، ونمذجة الاعتماد الموجهة بواسطة الملاحظات، وتنبؤ مشترك.

علاوة على ذلك، تم بناء معيار قياسي يُدعى Shadow، والذي يجمع بين البيانات الناقصة الطبيعية من مجموعات بيانات عامة وبيانات صناعية حقيقية. كما تم تقديم قياس جديد يُعرف باسم Entropy Joint Observation-Value (OVJE) لتقييم القدرة التنبؤية المدمجة.

أظهرت التجارب الشاملة أن Timeflies يتفوق باستمرار على الأساليب الحالية، مما يبرز أهمية نموذج الوجود المستقبلي في التنبؤ بالسلاسل الزمنية التي تحتوي على بيانات مفقودة. للمزيد من المعلومات، يمكنك زيارة الرابط هنا. ما رأيكم في هذا الحل الثوري؟ شاركونا أفكاركم في التعليقات.