توقعات زمنية مبتكرة: نموذج تدفق البقايا العشوائي مزدوج المرحلة لتحسين الدقة

في عالم يتطلب من صناع القرار الاستناد إلى توقعات دقيقة للمخاطر، تلعب التنبؤات الاحتمالية (Probabilistic Forecasting) دورًا حيوياً، خصوصًا في السيناريوهات الطويلة الأمد. ومع ذلك، كانت الأساليب التقليدية تواجه تحديات في توازن المرونة التوزيعية مع توقعات دقيقة. فالموديلات المعتمدة على الأساليب البارامترية التقليدية، مثل تقدير المتوسط والانحراف (Mean Variance Estimation - MVE)، تعاني غالبًا من تدهور الدقة عند التدريب تحت أهداف خسارة السلبية المشتركة (Joint Negative Log-Likelihood - NLL).

أما الموديلات الحديثة، مثل نماذج التدفق الطبيعي (Normalizing Flows) ونماذج الانتشار (Diffusion Models)، فتعتمد بشكل كبير على طرق العينة المكلفة مثل مونت كارلو، مما قد يؤدي إلى تقديرات متوسطة غير مثالية.

للتغلب على هذه القيود، تم اقتراح نموذج "تدفق البقايا العشوائي مزدوج المرحلة" (Two-stage Odd Residual Flows - TORF)، الذي يقدم إطار عمل يفصل بين توقع المتوسط وتقدير عدم اليقين. في المرحلة الأولى، يتم استخدام نموذج محدد مسبقًا لتقديم توقع دقيق للمتوسط. وفي المرحلة الثانية، يتعلم تدفق طبيعي مقيد (Restricted Normalizing Flow) باستخدام دوال فردية مرنة لتوزيع البقايا حول التوقع، مما يضمن الحفاظ على المتوسط المُستخلص من المرحلة الأولى دون الحاجة إلى العينة.

تظهر التجارب أن نموذج TORF يحقق دقة غير مسبوقة في التوقعات الحاسمة (NMAE) مع أداء قوي لتقدير الكثافة (CRPS) على توقعات الأفق القصير والطويل. هذا التطور يعد خطوة كبيرة نحو تحسين فعالية التنبؤ الاحتمالي، مما يتيح لصانعي القرار اتخاذ قرارات أكثر استنارة بناءً على تنبؤات دقيقة وموثوقة.