SPINEX-TimeSeries: Similarity-based Predictions with Explainable Neighbors Exploration for Time Series and Forecasting Problems

تحليل السلاسل الزمنية هو علم استخلاص المعنى من البيانات التي تتكشف عبر الزمن. وسواء كان ذلك بتتبع درجة الحرارة اليومية، أو تقلبات أسعار الأسهم، أو إيقاع ضربات القلب، يسعى هذا المجال إلى إيجاد أنماط في الماضي للتنبؤ بما سيحدث لاحقاً. ويكمن التحدي الجوهري في حقيقة أن الوقت يتحرك وفق ترتيب محدد؛ فالقياس الذي يُؤخذ اليوم غالباً ما يكون مرتبطاً ارتباطاً وثيقاً بما حدث بالأمس، والعلاقة بين هذه النقاط يمكن أن تكون معقدة، ومتغيرة، ومضطربة أحياناً. وللتنبؤ بالمستقبل، يجب على الباحثين أولاً فهم "شكل" الماضي؛ حيث يبحثون عن أجزاء من التاريخ تشبه اللحظة الراهنة، آملين أنه إذا بدا الماضي بطريقة معينة قبل وقوع حدث ما، فقد يتبع المستقبل مساراً مشابهاً. ومع ذلك، فإن العثور على هذه الأنماط المتطابقة أمر صعب لأن البيانات في العالم الحقيقي نادراً ما تظل ساكنة؛ فهي تتسارع، أو تتباطأ، أو تغير مقياسها، مما يجعل المقارنات البسيطة مضللة في كثير من الأحيان.

في دراسة حديثة، قدم الباحثون أداة جديدة صُممت للتنقل عبر هذه التعقيدات بوضوح ودقة أكبر. هذه الأداة، التي تُسمى SPINEX، مبنية على فكرة أن أفضل طريقة للتنبؤ بالمستقبل هي العثور على أكثر اللحظات تشابهاً من الماضي والتعلم منها. وخلافاً للعديد من أنظمة التنبؤ الحديثة التي تعمل كـ "صناديق سوداء" — حيث يخرج الحاسوب رقماً دون شرح كيفية الوصول إليه — فقد صُممت SPINEX لتكون شفافة. فهي لا تخمن فحسب، بل تعرض خطوات عملها. يقوم الخوارزمي بمسح البيانات التاريخية، وتفكيكها إلى أجزاء، ومقارنتها باللحظة الحالية باستخدام طرق مختلفة لقياس التشابه. فهو ينظر إلى الاتجاه الذي تتحرك فيه البيانات، والشكل العام للمنحنى، ومدى توافق النقاط، حتى لو كان التوقيت غير متطابق تماماً. ومن خلال الجمع بين هذه المنظورات المختلفة، يبني صورة قوية لما يحدث. وإذا كانت البيانات شديدة الفوضوية بحيث يصعب العثور على تطابق واضح، فإن النظام لديه خطة بديلة تعتمد على الأساليب الإحصائية التقليدية لضمان تقديم تنبؤ دائماً.

اختبر الباحثون هذا النهج الجديد مقابل ثمانية عشر أسلوباً آخر للتنبؤ، تتراوح بين النماذج الإحصائية الكلاسيكية وخوارزميات التعلم الآلي الحديثة. وقد أجروا هذه الاختبارات على تسعة وأربعين مجموعة بيانات مختلفة، وهي مزيج من خمسة وعشرين سيناريو اصطناعياً تم إعدادها بعناًية وأربعة وعشرين سجلاً من العالم الحقيقي. صُممت مجموعات البيانات هذه لمحاكاة مجموعة واسعة من الظروف، بما في ذلك النمو المستمر، والقفزات المفاجئة، والدورات الموسمية المتكررة، والضجيج العشوائي. وكان الهدف هو معرفة أي طريقة يمكنها التنبؤ بالمستقبل بدقة أكبر مع التعامل أيضاً مع فوضوية البيانات الحقيقية. وأظهرت النتائج أن SPINEX تفوقت باستمرار ضمن أفضل خمس طرق من حيث الدقة. وفي الواقع، عندما تم ترتيب النتائج بناءً على عدد المرات التي أنتج فيها الخوارزمي أفضل نتيجة عبر جميع الاختبارات المختلفة، احتلت SPINEX المركز الأول. وقد أثبتت قوة خاصة في التنبؤ باتجاه التغيير، حيث حددت بشكل صحيح ما إذا كانت القيمة سترتفع أو تنخفض بشكل أكثر تكراراً من منافسيها.

وبعيداً عن كونها دقيقة فحسب، سلطت الدراسة الضوء على كيفية تعامل SPINEX مع "السبب" وراء التنبؤ. وبينما يمكن أن تكون العديد من الخوارزميات المتقدمة صعبة التفسير، توفر SPINEX تفسيراً واضحاً لخياراتها. إذ يمكنها أن تظهر للمستخدم بالضبط أي الأجزاء التاريخية وجدتها الأكثر تشابهاً مع الوضع الحالي، ومدى تأثير كل من تلك اللحظات الماضية على التنبؤ النهائي. وتعد هذه الميزة حاسمة لاتخاذ القرار، لأنها تسم ت للمستخدمين الثقة في التنبؤ من خلال رؤية الأدلة. كما لاحظ الباحثون أن النظام يتميز بالكفاءة، وهو قادر على معالجة كميات كبيرة من البيانات دون أن يتباطأ، كما أنه يكيف إعداداته الخاصة بناءً على مدى تقلب البيانات. فإذا كانت البيانات تتغير بسرعة، يعدل النظام نفسه لينظر إلى أجزاء أصغر وأحدث من التاريخ؛ وإذا كانت البيانات مستقرة، فإنه ينظر إلى أنماط أطول.

تشير النتائج إلى أن التركيز على التشابه والقابلية للتفسير يقدم بديلاً قوياً للنماذج المعقدة والمبهمة المستخدمة غالباً في التنبؤ اليوم. ومن خلال الجمع بين طرق متعددة لقياس مدى تشابه فترتين زمنيتين، وضمان بقاء العملية شفافة، تقدم SPINEX وسيلة موثوقة لفهم وتوقع البيانات الزمنية. وتثبت الدراسة أن هذا النهج ليس تنافسياً مع أكثر الأدوات تطوراً المتاحة فحسب، بل هو متفوق أيضاً في قدرته على تقديم رؤى واضية وموثوقة. وبالنسبة لأي شخص يحتاج إلى التنبؤ بالاتجاهات في مجالات تتراوح من التمويل إلى علوم البيئة، فإن هذا العمل يشير نحو مستقبل لا تكون فيه التنبؤات مجرد أرقام تولدها الآلة، بل قصصاً مفهومة مستمدة من البيانات نفسها.