🤖 AI

From Time Series Analysis to Question Answering: A Survey in the LLM Era

تستكشف هذه الدراسة التطور من تحليل السلاسل الزمنية التقليدي إلى الإجابة على الأسئلة المتعلقة بالسلاسل الزمنية في عصر النماذج اللغوية الكبيرة، مقترحةً تصنيفاً وثلاثة نماذج للمواءمة لسد الفجوة بين النماذج اللغوية والبيانات الزمنية مع تحديد الاتجاهات البحثية المستقبلية.

المؤلفون الأصليون: Wei Li, Zhe Xie, Yuxuan Liang, Xinli Hao, Yunyao Cheng, Dan Pei, Xiaofeng Meng

نُشر 2026-05-11

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Wei Li, Zhe Xie, Yuxuan Liang, Xinli Hao, Yunyao Cheng, Dan Pei, Xiaofeng Meng

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

الصورة الكبيرة: من "إجراء العمليات الحسابية" إلى "إجراء محادثة"

تخفيل أن لديك لوحة تحكم ضخمة ومعقدة من الأرقام تمثل نبض مدينة، أو سوق أسهم، أو صحة مريض. لسنوات، استخدم الخبراء تحليل السلاسل الزمنية (TSA) للنظر في هذه الأرقام. فكر في تحليل السلسلة الزمنية كأنه ميكانيكي متخصص. أنت تقدم للميكانيكي أداة محددة (مثل مفتاح ربط لـ "التنبؤ" أو مفك براغي لـ "اكتشاف الشذوذ")، وهو يقوم بإصلاح ذلك الجزء المحدد. هو يعطيك رقماً أو تسمية (مثل "طبيعي" أو "غير طبيعي")، لكنه لا يتحدث إليك حقاً عن لماذا حدث ذلك أو بماذا يشعر.

مؤخراً، دخلت نماذج اللغات الكبيرة (LLMs) (مثل الذكاء الاصطناعي خلف روبوتات الدردشة) إلى المشهد. هؤلاء يشبهون رواة القصص البليغين. هم بارعون في القراءة والكتابة والإجابة على الأسئلة، لكنهم تدربوا على الكتب والمحادثات، وليس على الأرقام الخام.

المشكلة؟ الميكانيكي (TSA) والرواي (LLM) يتحدثان لغات مختلفة. الميكانيكي يتحدث لغة "الأرقام"، والرواي يتحدث لغة "الكلمات".

تجادل هذه الورقة بأننا ننتقل من عصر الميكانيكي المتخصص إلى عصر الدليل الحواري. هذا العصر الجديد يسمى الإجابة على الأسئلة المتعلقة بالسلاسل الزمنية (TSQA). بدلاً من أن تطلب من الذكاء الاصطناعي "التنبؤ بـ 48 ساعة القادمة"، يمكنك الآن أن تسأل: "لماذا ارتفعت درجة الحرارة بالأمس، وماذا يعني ذلك لفاتورة الطاقة الخاصة بي؟". الذكاء الاصطناعي لا يكتفي ببصق رقم فحسب؛ بل يشرح القصة وراء البيانات.

الطرق الثلاث لربط الميكانيكي بالراوي

تقترح الورقة "قائمة" من ثلاث طرق لجعل هذين العالمين يعملان معاً، اعتماداً على مقدار الجهد والمال الذي تريد إنفاقه. هم يسمونها نماذج المحاذاة (Alignment Paradigms).

1. المحاذاة بالحقن (Injective Alignment): "المترجم" (بدون جراحة)

التشبيه: تخيل أن لديك راوياً صارماً يرفض تغيير صوته. تأخذ الأرقام الخام، وتكتبها كقائمة من الكلمات (مثلاً: "10، 12، 15...")، وتلصقها في "أمر" (Prompt) مثل رسالة. ثم تقول: "إليك القائمة، أخبرني ماذا سيحدث بعد ذلك".
كيف تعمل: أنت لا تغير الذكاء الاصطناعي على الإطلاق. أنت فقط "تحقن" الأرقام في مدخلات النص الخاصة به.
المزايا: هي رخيصة وسهلة. لا تحتاج إلى إعادة تدريب الذكاء الاصطناعي.
العيوب: قد يرتبك الذكاء الاصطناعي إذا كانت الأرقام غير منظمة أو إذا كانت القائمة طويلة جداً. الأمر يشبه قراءة قائمة تسوق ومحاولة تخمين الوصفة.

2. المحاذاة بالجسر (Bridging Alignment): "باني الجسور" (إضافة موصل)

التشبيه: لا يزال الراوي يرفض تغيير صوته، لكنك تبني جسراً صغيراً مخصصاً بين الأرقام والكلمات. تستخدم "محولاً" (Adapter) خاصاً يترجم الأرقام إلى "لغة" يفهمها الراوي بشكل أفضل قبل أن يقرأها.
كيف تعمل: تضيف طبقة صغيرة من البرمجيات التي تحول الأرقام إلى أنماط تشبه النصوص، لكنك تظل محتفظاً بالذكاء الاصطناعي الأساسي ثابتاً (دون تغيير).
المزايا: هي حل وسط ممتاز. هي أكثر دقة من مجرد لصق الأرقام، لكنك لا تضطر لإعادة تدريب الذكاء الاصطناعي بالكامل.
العيوب: يجب عليك بناء وصيانة هذا الجسر، وقد لا يكون مثالياً لكل نوع من أنواع البيانات.

3. المحاذاة الداخلية (Internal Alignment): "الجراحة" (تغيير الدماغ)

التشبيه: هذا هو النهج الأكثر كثافة. تأخذ الراوي وتجري جراحة في دماغه. تعلمه أن الأرقام هي لغة جديدة يحتاج لتعلمها من الصفر. قد تعطيه حتى "عيوناً" جديدة ليرى الرسوم البيانية والمخططات مباشرة.
كيف تعمل: تقوم فعلياً بإعادة تدريب الذكاء الاصطناعي، وتحديث أوزانه الداخلية بحيث يفهم السلاسل الزمنية، والرسوم البيانية المرئية، والجداول بشكل طبيعي.
المزايا: هذا يخلق ذكاءً اصطناعياً أكثر قوة ومرونة. يمكنه "التفكير" في الوقت والأرقام بشكل أصيل، وليس مجرد ترجمة.
العيوب: هو مكلف للغاية، ويتطلب قدرات حوسبة هائلة، ويستغرق وقتاً طويلاً للتدريب.

ما وجدته الورقة (الخريطة)

نظر المؤلفون في عشرات الأوراق البحثية الحديثة وصنفواهم في هذه السلال الثلاث.

معظم الأوراق البحثية حالياً تستخدم نهج باني الجسور (Bridging Alignment). وهو النقطة المثالية لمعظم الناس.
الاتجاه: المجال يتحول. في الماضي، كان الجميع يقوم فقط بمهام حسابية محددة (TSA). الآن، ينتقل المزيد من الأبحاث نحو الدليل الحواري (TSQA)، حيث الهدف هو الإجابة على أسئلة المستخدم المعقدة بدلاً من مجرد حساب رقم.
البيانات: قاموا بتحليل مجموعات بيانات من الطب (ضربات القلب)، والتمويل (أسعار الأسهم)، وإنترنت الأشياء (المستشعرات). ووجدوا أنه بينما نمتلك البيانات، فإننا غالباً ما نفتقر إلى بيانات "الاستنتاج المنطقي". لدينا "ماذا" (الأرقام)، ولكن ليس لدينا ما يكفي من الـ "لماذا" (المنطق خطوة بخطوة) لتعليم الذكاء الاصطناعي كيفية التفكير بعمق.

العقبات أمامنا

تشير الورقة إلى ثلاثة تحديات رئيسية نحتاج للتغلب عليها:

جودة البيانات: نحتاج إلى مجموعات بيانات أفضل لا تعطي الإجابات فحسب، بل تظهر الخطوات التي يجب أن يتخذها الذكاء الاصطناعي للوصول إليها (مثل إظهار خطوات الحل الرياضي في الاختبار).
الأدوات: نحتاج إلى تعليم هذه الأنظمة من الذكاء الاصطناعي استخدام أدوات محددة (مثل الآلة الحاسبة أو أداة تقطيع الرسوم البيانية) عندما تتعثر، بدلاً من التخمين.
الهلوسة: أحياناً، قد يقوم الذكاء الاصطناعي بثقة باختلاق رقم أو اتجاه غير حقيقي. وبما أن الأرقام دقيقة، فإن اختلاقها يمثل مشكلة كبيرة. نحن بحاجة إلى طرق أفضل لمنع الذكاء الاصطناعي من "الكذب" بشأن البيانات.

الملخص

هذه الورقة هي خارطة طريق. تخبرنا أننا ننتقل من معالجة الأرقام الصارمة المخصصة للخبراء فقط إلى محادثات مرنة وسهلة الاستخدام مع البيانات. وهي تقدم ثلاثة مسارات للوصول إلى هناك (الحقن، أو الجسر، أو الجراحة) وتحذرنا من أنه بينما التكنولوجيا مثيرة، لا نزال بحاجة إلى بيانات وأدوات أفضل لجعل الذكاء الاصطناعي موثوقاً حقاً.

ملخص تقني: من تحليل السلاسل الزمنية إلى الإجابة على الأسئلة: مسح في عصر النماذج اللغوية الكبيرة (LLMs)

1. بيان المشكلة

أدى دمج النماذج اللغوية الكبيرة (LLMs) في تحليل السلاب الزمنية (TSA) إلى تقديم نموذج جديد، يستفيد من القدرات اللغوية الطبيعية لمهام مثل التنبؤ وكشف الشذوذ. ومع ذلك، توجد فجوة جوهرية بين تحليل السلاسل الزمنية التقليدي والنماذج اللغوية الكبيرة. يعتمد تحليل السلاسل الزمنية التقليدي على مسارات عمل محددة للمهام وموجهة من قبل الخبراء (مثل أهداف التنبؤ أو التصنيف الثابتة)، بينما تم تدريب النماذج اللغوية الكبيرة مسبقاً لتحسين صلة اللغة الطبيعية بالإجابة على الأسئلة، وليس لأهداف متخصصة في تحليل السلاسل الزمنية.

وبناءً على ذلك، لا تستطيع طرق تحليل السلاسل الزمنية الحالية تغطية "مهام اللغة الزمنية" بشكل كافٍ، مثل التفسير العميق، والتعليق الوصفي، والاستقصاء المرن الذي يقوده المستخدم. إن المجال يتطور من تحليل السلاسل الزمنية (TSA) نحو الإجابة على أسئلة السلاسل الزمنية (TSQA). ينقل TSQA التركيز من التحليل الموجه بالخبراء والمحدد بمهام معينة إلى الإجابة على الأسئلة الموحدة للمهام والموجهة من قبل المستخدم. يتطلب هذا التطور سد الفجوة بين بيانات السلاكل الزمنية الرقمية وقدرات الاستنتاج اللغوي للنماذج اللغوية الكبيرة من خلال المحاذاة (Alignment) الفعالة.

2. المنهجية: تصنيف نماذج المحاذاة

يقترح البحث تصنيفاً شاملاً يصنف الأدبيات الموجودة إلى ثلاثة نماذج محاذاة متميزة، مدفوعة بالتحول من المحاذاة الخارجية إلى المحاذاة الداخلية. وتتحدد هذه النماذج من خلال بُعدين: ما إذا كان التعديل الزمني (تكييف السلاسل الزمنية لتناسب النماذج اللغوية الكبيرة) مطلوباً، وما إذا كانت معلمات النموذج اللغوي الكبير يتم تدريبها.

2.1 المحاذاة الحقنية (Injective Alignment)

التعريف: يقوم هذا النموذج بحقن السلاسل الزمنية الرقمية مباشرة في المطالبات النصية دون تعديل بيانات السلسلة الزمنية نفسها أو بنية النموذج اللغوي الكبير، ويستخدم نماذج لغوية كبيرة مجمدة.
الآلية: يتم تشفير المتواليات الرقمية إلى تضمينات الرموز (Token Embeddings) أو تحويلها إلى سلاسل زمنية نصية ( $X_{Text}$ ) وإلحاقها بالمطالبات.
استراتيجيات التحسين:
- التعلم داخل السياق (ICL): توجيه النموذج اللغوي الكبير باستخدام نماذج للمهام (مثل LVICL وLLMAD).
- سلسلة الأفكار (CoT): تفكيك المهام المعقدة إلى خطوات وسيطة مرتبة لتعزيز الاستنتاج (مثل LSTPrompt وTimerBed).
الخصائص: مرنة وتعمل خارج النموذج اللغوي الكبير؛ وهي مناسبة للتطبيقات المتخصصة في المجالات حيث تكون جودة المطالبة (Prompt) بالغة الأهمية.

2.2 محاذاة الجسر (Bridging Alignment)

التعريف: ينشئ هذا النموذج خرائط بين السلاسل الزمنية الرقمية والمطالبات النصية، مما يستلزم تعديلاً زمنياً مع الاستمرار في استخدام نماذج لغوية كبيرة مجمدة.
الآلية: يقوم نموذج جسري (مثل المهايئات/Adapters) بإسقاط السلاسل الزمنية في مساحة تضمين متوافقة مع النموذج اللغوي الكبير.
استراتيجيات التحسين:
- استرجاع التشابه (SR): محاذاة التمثيلات الرقمية والنصية عبر فقدان التباين (Contrastive Loss) أو مساحات إعادة البرمجة (مثل Time-LLM وTime-CMA).
- التكيف منخفض الرتبة (LoRA): إدخال تحديثات منخفضة الرتبة فعالة في المعلمات للنماذج اللغوية الكبيرة المدربة مسبقاً للضبط الخاص بالمهام دون تغيير المعلمات الأساسية (مثل HiTime وAutoTimes).
الخصائص: عملية اقتصادية تعمل خارج جوهر النموذج اللغوي الكبير؛ وفعالة في التقاط خصائص السلاسل الزمنية من خلال المعلومات الدلالية المحاذية.

2.3 المحاذاة الداخلية (Internal Alignment)

التعريف: يقوم هذا النموذج بتعديل المكونات الداخلية ومعلمات النموذج اللغوي الكبير، حيث يجمع بين التعديل الزمني وتدريب النموذج اللغوي الكبير.
الآلية: تعزيز تمثيلات السلالة الزمنية (رقمية، بصرية، أو جداول مهيكلة) وتحديث أوزان النموذج اللغوي الكبير لتوفير دعم أصيل للسلاسل الزمنية.
استراتيجيات التحسين:
- إعادة التدريب (RT): توحيد الأنماط الزمنية والنصية من خلال التدريب المسبق المستمر وضبط التعليمات (مثل ChatTime وChatTS).
- التعلم التعزيزي (RL): محاذاة سلوك النموذج اللغوي الكبير مع الأهداف الزمنية باستخدام إشارات المكافأة المستمدة من النتائج المتسلسلة (مثل TimeSense وAlpha-R1).
الخصائص: توفر محاذاة داخلية عميقة وقابلة للتعميم؛ تتطلب موارد تدريب كبيرة ولكنها توفر قدرة فائقة على التكيف للاستنتاج المعقد.

3. المساهمات الرئيسية

التمييز المفاهيمي: يميز البحث رسمياً بين TSA (محدد مسبقاً وموجه بالخبراء) و TSQA (موحد، موجه بالمستخدم، ومرن)، ويؤطر الأخير كتطور للأول.
تصنيف موحد: يقترح تصنيفاً لثلاثة نماذج محاذاة (حقنية، جسرية، داخلية) تغطي التطور من TSA إلى TSQA. يدمج هذا العمل الأبحاث التي كانت معزولة سابقاً في إطار موحد بناءً على استراتيجيات المحاذاة.
توجيه عملي: يقدم المؤلفون توجيهاً قابلاً للتطبيق لاختيار نماذج المحاذاة بناءً على القيود مثل التكلفة الحسابية، وتوافر البيانات، والحاجة إلى القدرة على التعميم.
تحليل البيانات: يحلل المسح مجموعات البيانات التمثيلية عبر المجالات (الطب، التمويل، إنترنت الأشياء، العام) والخصائص (الأنماط الزمنية، المتعدد المتغيرات المكانية، التمثيلات متعددة الوسائط)، مسلطاً الضوء على المقايضات بين التمثيلات الرقمية والنصية والبصرية.
تحديد التحديات: يحدد البحث تحديات حرجة، بما في ذلك نقص الإشراف على الاستنتاج في مجموعات البيانات، والتحول من استخراج المهام الصريح إلى الضمني، ومشكلة الهلوسة الرقمية في النماذج اللغوية الكبيرة.

4. النتائج والملاحظات

يجمع المسح 50 عملاً ذا صلة ويعرض الملاحظات التوزيعية التالية:

توزيع النماذج: تهيمن محاذاة الجسر على الأدبيات (50%)، تليها المحاذاة الحقنية (26%) والمحاذاة الداخلية (24%).
توزيع المهام: تشكل مهام TSA التقليدية 60% من الأدبيات، بينما تشكل مهام TSQA 40%.
تغطية المجالات: يمثل المجال العام (الذي يتم تقييمه عبر مجالات متعددة دون تركيز محدد) 74% من الأدبيات، يليه المجال الطبي (10%)، ثم المالي (8%)، وإنترنت الأشياء (8%).
استراتيجيات التحسين: يعد استرجاع التشابه (SR) الاستراتيجية الأكثر شيوعاً (36%)، يليه الحقن المباشر، وLoRA، وغيرها.
الاتجاهات التطورية: من عام 2024 إلى 2025، تجاوز معدل نمو أدبيات TSQA أدبيات TSA. علاوة على ذلك، تظهر المحاذاة الداخلية أكبر زيادة في النشاط البحثي، مما يشير إلى توجه نحو حلول أكثر تكاملاً وقابلية للتدريب.

5. الأهمية والتوجهات المستقبلية

يزعم البحث أهميته في كونه أول مسح ينظر إلى TSA وTSQA ليس كمجالات معزولة بل كـ سلسلة تطورية مستمرة مدفوعة بنماذج المحاذاة. ويجادل بأن الانتقال من المحاذاة الخارجية (الحقنية/الجسرية) إلى المحاذاة الداخلية ضروري لتحقيق استنتاج زمني مرن وموجه من قبل المستخدم.

التوجهات المستقبلية المحددة:

البيانات: تطوير مجموعات بيانات TSQA واسعة النطاق ومتعددة المجالات تتضمن آثار استنتاج صريحة وسلوكيات زمنية متنوعة للتغلب على نقص الإشراف على الاستنتاج.
المهام: الانتقال من تحديد المهام الصريح إلى الاستخراج الضمني لنوايا المستخدم، ودمج أدوات زمنية مخصصة (مثل تقطيع السلاسل الزمنية) في إطار عمل TSQA.
المنهجية: معالجة الهلوسة الرقمية والقدرة المحدودة على التكيف. يجب أن تستكشف الأعمال المستقبلية آليات الوكيل المتعدد (Multi-agent) للتخطيط والتفكير الذاتي، والتحقيق في كيفية تمكن نماذج المحاذاة من الحد من الأخطاء في التنبؤ بالقيم المستمرة بشكل أفضل.

يخلص المؤلفون إلى أنه بينما يوفر TSA حلولاً فعالة لمهام محددة، فإن TSQA يقدم نموذجاً أكثر بديهية وتوحيداً للفهم الزمني، بشرط معالجة تحديات المحاذاة المتعلقة بجودة البيانات، وتحديد المهام، ومتانة النماذج.