ثورة جديدة في توقعات السلاسل الزمنية: الاستفادة من التوبولوجيا لتوقعات أفضل!

في عالم البيانات العلمية، تُعد السلاسل الزمنية أداة قيمة لفهم الأنماط والاتجاهات. ولأن هذه السلاسل تحمل معها هيكلاً هندسياً معقداً مثل الاتصال والدورات والتغييرات الاتجاهية، لذا فإن استخدام تقنيات التقليدية مثل الانتباه القائم على الضرب النقطي قد لا يكون كافياً لتحقيق نتائج دقيقة. هنا يأتي دور الإطار الجديد الذي يعتمد على التوبولوجيا في الانتباه.

هذا الطرح الجديد يقدم إطار عمل موجه لتوقعات السلاسل الزمنية حيث يتم تضمين الهياكل الهندسية في الانتباه من خلال استخدام مصطلحات مثل الدوال المستمرة ذات الخصائص المستدامة (Persistent Homology) وتحويلات الخصائص أو (Euler characteristic transforms). كما يُعتبر هذا الأسلوب متفوقاً، إذ يستخدم قنوات كيرنل-هيلبرت لإلقاء الضوء على الإشارات التوبولوجية المحلية، مما يساهم في تحسين عملية التوقع.

تم إجراء تجارب شاملة على ثلاث عائلات معمارية مختلفة، مما شمل الاستخدامات الإبداعية مثل Ridge وPatchTSTForRegression وTimeSeriesTransformerForPrediction. وقد أظهرت النتائج تحسناً ملحوظاً في دقة النماذج التي تستفيد من توبولوجيا البيانات، حيث أظهرت النماذج خفيفة الوزن تحسناً في 46 من أصل 63 وحدة اختبار، مع انخفاض في متوسط الخطأ النسبي (RMSE) بنسبة 12.5%.

بهذا، يُمكننا القول إن هذه الأبحاث تثبت أهمية الهندسة التوبولوجية كتحيز inductive bias في المعمارية المستخدمة، مما يفتح آفاقاً جديدة لتطبيقات الذكاء الاصطناعي في البيانات الزمنية.