في عالم البيانات المعقد، تعد توقعات السلاسل الزمنية (Time Series Forecasting) عنصرًا أساسيًا في مجموعة واسعة من المجالات مثل الطاقة، والتمويل، ورصد البيئة. إلا أن التحديات الكبيرة المرتبطة بالاعتماد الزمني المعقد والتفاعلات بين المتغيرات لا تزال قائمة.

تعتبر الأساليب المعتمدة على نموذج الـ Transformers فعالة في التقاط هذه العلاقات الزمنية من خلال آليات الانتباه (Attention Mechanisms)، لكنها تعاني من تكاليف حسابية عالية. من ناحية أخرى، تُعد نماذج الـ State-Space مثل Mamba قادرة على توفير نمذجة فعّالة للسياقات الطويلة، ولكنها تفتقر إلى التعرف الواضح على الأنماط الزمنية.

لذلك، قدم الباحثون إطار UniMamba، الذي يمثل حلاً موحدًا يجمع بين الديناميكيات المكانية والزمنية بفعالية جديدة. يستخدم UniMamba طبقة ترميز القنوات المتعددة للمتغيرات (Mamba Variate-Channel Encoding Layer) المعززة بتحويل FFT-لابلاس وTCN لالتقاط الاعتماديات الزمنية العالمية، بالإضافة إلى طبقة الانتباه الزمانية-المكانية (Spatial Temporal Attention Layer) التي تدرس التفاعلات بين المتغيرات وتطورها الزمني بشكل متكامل.

كما تضمّن الإطار طبقة ديناميات زمنية قُدّمت بمستوى متقدم (Feedforward Temporal Dynamics Layer) التي تدمج بين السياقات المستمرة والغير مستمرة، مما يعزز من دقة التوقعات.

أثبتت التجارب الشاملة على ثمانية مجموعات بيانات عامة أن UniMamba يتفوق باستمرار على نماذج التوقع الحديثة، سواء من حيث الدقة أو الكفاءة الحاسوبية، مما يجعله حلاً قابلًا للتطوير وفعّالًا لتوقعات السلاسل الزمنية متعددة المتغيرات في سياقات طويلة.