🤖 machine learning

EventTSF: Event-Aware Non-Stationary Time Series Forecasting

يُعد EventTSF إطار عمل انتشار ذاتي الانحدار يعمل على تحسين التنبؤ بالسلاسل الزمنية غير المستقرة من خلال دمج البيانات النصية للأحداث عبر خطوات مطابقة التدفق الواعية بالأحداث، مما يعالج تحديات التفاعل متعدد الوسائط وصعوبة إزالة الضجيج غير المتوازنة ليتفوق بشكل كبير على النماذج المرجعية الحالية.

المؤلفون الأصليون: Yunfeng Ge, Ming Jin, Yiji Zhao, Hongyan Li, Bo Du, Chang Xu, Shirui Pan

نُشر 2026-05-12

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yunfeng Ge, Ming Jin, Yiji Zhao, Hongyan Li, Bo Du, Chang Xu, Shirui Pan

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

تخيل أنك تحاول التنبؤ بالطقس للأسبوع القادم. ينظر خبير الأرصاد الجوية التقليدي فقط إلى درجة الحرارة، والرياح، والأمطار من الأيام القليلة الماضية. قد يقول: "يبدو أنها ستمطر لأنها أمطرت بالأمس". لكنه يغفل عن الصورة الكبيرة: هناك مهرجان موسيقي ضخم سيقام في وسط المدينة غداً، مما سيؤدي إلى ازدحامات مرورية، وتجمعات حشود، وارتفاع مفاجئ في الرطوبة المحلية، وهو ما لا يمكن للبيانات الماضية وحدها التنبؤ به.

هذه هي المشكلة التي يحاول بحث EVENTTSF حلها.

المشكلة الجوهرية: المتنبئ "الأعمى"

معظم نماذج التنبؤ بالسلاسل الزمنية (المستخدمة في الطاقة، وحركة المرور، والأسواق المالية، إلخ) تشبه خبير الأرصاد الجوية الأعمى هذا. فهي تنظر إلى الأرقام ولكنها تتجاهل القصة الكامنة وراءها.

المشكلة: البيانات في العالم الحقيقي "غير مستقرة"، مما يعني أن القواعد تتغير باستمرار. الحدث المفاجئ (مثل عطلة، أو خبر إخباري، أو انقطاع التيار الكهربائي) يمكن أن يغير تماماً كيفية سلوك البيانات.
الفجوة: النماذج الحالية إما تتجاهل هذه الأحداث النصية أو تحاول دمجها بشكل فوضوي، مما ينتج تنبؤات سلسة وآمنة ولكنها غالباً ما تكون خاطئة عندما تصبح الأمور فوضوية.

الحل: EVENTTSF (المتنبئ "المدرك للقصة")

بنى المؤلفون نظاماً جديداً يسمى EVENTTSF. فكر فيه كمحقق ذكي جداً لا يكتفي فقط بمعاينة مسرح الجريمة (الأرقام)، بل يقرأ أيضاً تقرير الشرطة (الأحداث النصية) ليفهم ما حدث.

إليك كيف يعمل، باستخدام تشبيهات بسيطة:

1. مزامنة القصة مع الأرقام

تخيل أن لديك فيديو طويلاً لشارع مزدحم (السلسلة الزمنية) ونصاً يصف ما يحدث في الفيديو (الأحداث النصية).

الطريقة القديمة: يشاهد النموذج الفيديو ويقرأ النص بشكل منفصل، ثم يحاول تخمين المستقبل. إنهما لا "يتحدثان" مع بعضهما البعض حقاً.
طريقة EVENTTSF: يقوم بتقطيع الفيديو إلى مقاطع قصيرة ويربط كل مقطع بجملة محددة في النص تصفه. إذا قال النص "بدأ الاستعراض"، يتم لصق هذه الجملة باللحظة الدقيقة التي يزداد فيها الحشد في الفيديو. هذا يسمح للنموذج بتعلم كيف يغير نوع معين من الأحداث الأرقام بدقة.

2. تحدي "إزالة الضجيج" (النافذة المتسخة)

يستخدم النموذج تقنية تسمى الانتشار (Diffusion)، وهي تشبه محاولة تنظيف نافذة مغطاة بضباب كثيف لرؤية الصورة الموجودة تحتها.

المشكلة: في الماضي، كانت النماذج تنظف النافذة باستخدام جدول زمني ثابت. كانت تفترض أن كل جزء من الصورة يتطلب جهداً متساوياً للتنظيف.
الواقع: بعض أجزاء الصورة (مثل يوم هادئ) سهلة التنظيف. أما الأجزاء الأخرى (مثل يوم حدث فوضوي) فهي مغطاة بطين كثيف ولزج ويصعب تنظيفها جداً.
الابتكار: يقدم EVENTTSF مفهوم "الخطوة الزمنية المدركة للحدث" (Event-Aware Timestep).
- تخيل روبوت تنظيف ذكياً. إذا رأى يوماً هادئاً، ينظف بسرعة. وإذا رأى حدثاً فوضوياً (مثل أعمال شغب أو موسم تخفيضات)، فإنه يبطئ ويقضي وقتاً إضافياً في فرك تلك البقعة تحديداً.
- ينظر النموذج إلى الحدث النصي أولاً، ويدرك: "أوه، هذا يوم فوضوي"، ثم يعدل جدول التنظيف الخاص به وفقاً لذلك. هذا يمنع النموذج من الارتباك أو الاستسلام أمام الأجزاء الصعبة.

ماذا وجدوا؟

اختبر المؤلفون هذا المحقق الجديد على 7 مجموعات بيانات مختلفة، تتراوح من البيانات الاصطناعية (المصنوعة) إلى بيانات حركة المرور والطقس والفيزياء الجوية الحقيقية.

النتائج: اكتسح EVENTTSF المنافسة. فقد تفوق على 12 نموذجاً من أفضل النماذج.
- حسّن التنبؤ الاحتمالي (تخمين نطاق النتائج المحتملة) بنسبة 41.3%.
- حسّن التنبؤ الحتمي (تخمين النتيجة الأكثر احتمالاً بمفردها) بنسبة 27.5%.
اختبار "ماذا لو": حاولوا إضافة الأحداث النصية إلى النماذج القديمة لمعرفة ما إذا كان ذلك سيساعد. ساعد الأمر قليلاً، ولكن ليس بقدر ما فعله EVENTTSF. وهذا يثبت أن مجرد امتلاك النص ليس كافياً؛ بل تحتاج إلى نموذج مبني خصيصاً لفهم العلاقة بين القصة والأرقام.

ملاحظة حول "القصص السيئة"

من المثير للاهتمام أن الورقة البحثية وجدت أن النموذج لم يعمل بشكل جيد مع مجموعة بيانات واحدة محددة وهي: أخبار المرور (Traffic News).

لماذا؟ كانت المقالات الإخبارية طويلة جداً ومليئة بالحشو (الضجيج الخلفي) الذي لا علاقة له بالمرور فعلياً. كان الأمر أشبه بقراءة رواية من 50 صفحة لمعرفة ما إذا كانت ستمطر خلال 10 دقائق. ارتبك النموذج لأن "القصة" لم تكن متوافقة مع "الحدث".
الدرس المستفاد: يجب أن تكون الأحداث النصية واضية، ذات صلة، وموجزة لكي يتمكن النموذج من ممارسة سحره.

الملخص

EVENTTSF هو طريقة جديدة للتنبؤ بالمستقبل تعامل الأحداث النصية (مثل العطلات، الأخبار، أو العروض الترويجية) كأدلة أساسية، وليس مجرد ضجيج خلفي. من خلال مزامنة القصة مع الأرقام وتعديل سرعة تعلمه بناءً على مدى فوضوية الحدث، فإنه يقدم تنبؤات أكثر دقة بكثير من النماذج التي تنظر فقط إلى الأرقام.

ملخص تقني: EVENTTSF – التنبؤ بالسلاسل الزمنية غير المستقرة الواعية بالأحداث

1. تعريف المشكلة

يعد التنبؤ بالسلاسل الزمنية أمراً بالغ الأهمية لقطاعات مثل الطاقة والنقل، ومع ذلك، فإنه يواجه تحديات مستمرة بسبب عدم الاستقرار (non-stationarity) وتحولات التوزيع. وبينما عالجت التطورات الأخيرة (مثل التطبيع، وتفكيك النماذج) عدم الاستقرار أحادي النمط، إلا أنها غالباً ما تغفل حقيقة أن تحولات التوزيع غالباً ما تكون متشابكة مع أحداث خارجية من أنماط أخرى، لا سيها النصوص اللغوية الطبيعية (مثل العطلات، العروض الترويجية، تقارير الطقس).

تعاني النهج الحالية من قصورين رئيسيين:

الفجوة بين الأنماط (Modality Gap): تعتمد معظم الطرق على بيانات أحادية النمط أو سياق نصي خشن، مما يؤدي إلى الفشل في نمذجة التفاعلات دقيقة التفاصيل بين الأحداث الخارجية المنفصلة والسلاسل الزمنية المستمرة.
عدم كفاءة الانتشار (Diffusion Inefficiency): تفشل نماذج التنبؤ القائمة على الانتشار الكلاسيكية عادةً في أخذ عينات من خطوات الانتشار من توزيع منتظم ثابت. وهذا يتجاهل التباين غير المستقر الناجم عن الأحداث، حيث تسبب الأحداث المختلفة تحولات متميزة في حجم الإشارة وتباينها. وبناءً على ذلك، تؤدي العينات المنتظمة إلى عدم توازن في صعوبة إزالة الضجيج عبر مراحل الانتشار، حيث تختلف نسبة الإشارة إلى الضجيج (SNR) بشكل غير متجانس اعتماداً على سياق الحدث.

2. المنهجية: EVENTTSF

يقترح المؤلفون EVENTTSF، وهو إطار عمل انتشار ذاتي الانحدار (autoregressive diffusion) مصمم لدمج السلاسل الزمنية التاريخية والأحداث النصية عبر انتشار خطوة بخطوة. تعالج البنية التحتية مزامنة الأحداث المنفصلة مع السلالات المستمرة، وكذلك عدم التوازن في صعوبة إزالة الضجيج.

2.1 الانتشار ذاتي الانحدار متعدد الأنماط

مزامنة الأحداث: يقوم النموذج بتقسيم السلسلة الزمنية المستمرة إلى مقاطع غير متداخلة ( $x_s$ ) ومواءمة كل منها مع تمثيل تضمين حدث نصي مقابل ( $c_s$ ). وفي حال عدم وقوع حدث، يتم تعيين حدث فارغ (NULL). هذا يخلق تمثيلاً موحداً $D = \{(x_s, c_s)\}$ ، مما يسد الفجوة بين العمليات النقطية الزمنية والسلاسل المستمرة.
التوليد ذاتي الانطلاق (Autoregressive Generation): يعامل النموذج التنبؤ كعملية توليد ذاتي الانحدار لمقاطع دقيقة التفاصيل. في كل خطوة $s$ ، يعتمد النموذج على حالة كامنة $Z_{s-1}$ (تلخص التاريخ)، والمقطع المشوش الحالي $x^t_s$ ، وتضمين الحدث المتوافق $c_s$ .
مطابقة التدفق (Flow Matching): بدلاً من الانتشار القياسي، يستخدم النموذج مطابقة التدفق لتعلم حقل السرعة $v_t$ الذي يحول توزيعاً أولياً بسيطاً إلى توزيع البيانات المستهدف. يتم تدريب المُنقي (denoiser) $M_\theta$ للتنبؤ بحقل السرعة هذا، وتحديث الحالة الكامنة $Z_s$ بشكل ذاتي الانحدار.

2.2 أخذ عينات الخطوات الزمنية الواعية بالأحداث

للتخفيف من حدة عدم التوازن في صعوبة إزالة الضجيج الناتج عن أخذ العينات المنتظم للخطوات الزمنية، يقدم EVENTTSF خطوة زمنية لمطابقة التدفق واعية بالحدث.

المشكلة: تفشل العينة المنتظمة ( $t \sim U(0,1)$ ) في مراعاة حقيقة أن الأحداث المختلفة تسبب نسب إشارة إلى ضجيج (SNR) مختلفة، مما يؤدي إلى صعوبات متفاوتة في إزالة الضجيج.
الحل: يعيد النموذج تمثيل خطوة زمنية أساسية منتظمة $\hat{t}$ إلى خطوة زمنية متكيفة مع الحدث $t$ باستخدام دالة رسم خرائط قابلة للتعلم $\phi$ :
$t = \phi(\hat{t}, c) = F^{-1}_{\text{Beta}(\alpha(c), \beta(c))}(\hat{t})$
الآلية: تتنبأ شبكتان خطيتان خفيفتان بمعلمات $\alpha(c)$ و $\beta(c)$ لتوزيع بيتا بناءً على تضمين الحدث $c$ . وهذا يضمن تخصيص صعوبة إزالة الضجيج الفعالة بشكل أكثر توازناً عبر مراحل الانتشار لأنواع محددة من الأحداث، مما يكيف جدول أخذ العينات مع دلالات الحدث.

2.3 تفاصيل البنية التحتية

المُنقي الأساسي هو محول انتشار متعدد الأنماط على شكل حرف U (M-U-DiT). يستخدم عمليات خفض العينات ورفع العينات مع اتصالات تخطي (skip connections) لمواءمة دلالات الحدث مع الأنماط الزمنية متعددة الدقة. كما يدمج الحالات التاريخية، المدخلات المشوشة، وشروط الحدث عبر آليات الانتباه المتقاطع (cross-attention).

3. المساهمات الرئيسية

إعادة صياغة النموذج: يصيغ البحث التنبؤ بالأحداث الواعية بعدم الاستقرار كنموذج متعدد الأنماط، حيث يدمج صراحةً معلومات الأحداث الخارجية لمعالجة تحولات التوزيع التي تغفلها النماذج أحادية النمط.
الابتكار المنهجي:
- المواءمة دقيقة التفاصيل: يقدم آلية مزامنة لمواءمة مقاطع الأحداث المنفصلة مع نوافذ السلاسل الزمنية المستمرة.
- الخطوة الزمنية الواعية بالحدث: يقترح استراتيجية إعادة تمثيل تتعلم جداول انتشار مشروطة بالحدث لموازنة صعوبة إزالة الضجيج، متجاوزة بذلك أخذ العينات المنتظم الثابت.
الأداء المتفوق: تثبت التجار𝓷ات المكثفة تفوق EVENTTSF على 12 نموذجاً مرجعياً (بما في ذلك النماذج غير المستقرة والانتشارية) عبر 7 مجموعات بيانات.

4. النتائج التجريبية

تم تقييم النموذج على 7 مجموعات بيانات (واحدة اصطناعية، و6 واقعية تغطي حركة المرور، والطقس، والفيزياء الجوية) مقابل 12 نموذجاً مرجعياً (مثل CSDI, TimeDiff, TMDM, NsDiff, Autoformer, DLinear).

التنبؤ الاحتمالي: حقق EVENTTSF تحسناً متوسطاً بنسبة 41.3% في درجة الاحتمالية المستمرة (CRPS) وخسارة الكم المرجحة (WQL) عبر جميع مجموعات البيانات.
التنبؤ الحتمي: حسن النموذج متوسط الخطأ المطلق (MAE) بنسبة 27.5% في المتوسط.
دراسات الاستئصال (Ablation Studies):
- أدى حذف الأحداث النصية إلى تدهور الأداء بشكل كبير (على سبيل المثال، زادت WQL بنسبة 10.71% في مجموعة بيانات درجة الحرارة - نيويورك).
- استبدال أخذ العينات المنتظم للخطوات الزمنية بالآلية الواعية بالحدث قلل باستمرار من الأخطاء (على سبيل المثال، انخفضت CRPS بنسبة 9.21%).
الكفاءة: أظهر EVENTTSF أوقات تدريب أسرع (أسرع بـ 1.13 مرة من ثاني أفضل نموذج مرجعي في البيانات الاصطناعية) ونمواً تحت خطي في وقت التدريب بالنسبة لآفاق التنبؤ، ويعزى ذلك إلى نهج التوليد القائم على المقاطع.
تعزيز النماذج المرجعية: حتى عندما تم تعزيز النماذج المرجعية بتضمينات الأحداث (عبر الانتباه المتقاطع أو الشرط المتبقي)، ظلت أقل بكثير من EVENTTSF، مما يشير إلى أن مجرد حقن الأحداث ليس كافياً دون آلية الانتشار ذاتي الانحدار والخطوات الزمنية المحددة.

5. الأهمية والادعاءات

يزعم البحث أنه يمهد الطريق لدمج المعرفة متعددة الأنماط الخارجية خصيصاً للتنبؤ بالسلاسل الزمنية غير المستقرة. تكمن أهميته في:

معالجة الفجوة بين الأنماط: يوفر إطار عمل موحداً لنمذجة التفاعل بين الأحداث النصية المنفصلة والسلاسل الزمنية المستمرة، مما يلتقط التبعيات المتتالية والمتأخرة التي تغفلها نماذج السياق العالمي.
حل عدم التوازن في الانتشار: يحدد ويحل مشكلة عدم التجانس في صعوبة إزالة الضجيج الناجم عن الأحداث، مقترحاً جدول أخذ عينات قابلاً للتعلم ومشروطاً بالحدث، مما يعمل على استقرار التدريب وتحسين جودة التوليد.
القابلية للتطبيق العملي: تم تصميم الإطار للسيناريوهات التي تُعرف فيها الأحداث المستقبلية (مثل العروض الترويجية المخطط لها، العطلات) مسبقاً، مما يسمح للنموذج بتوقع تحولات التوزيع التي لا يمكن استنتاجها من الملاحظات التاريخية وحدها.

يخلص المؤلفون إلى أن EVENTTSF يؤسس لنموذج مرن لدمج دلالات الأحداث غير المتجانسة في النمذجة الزمنية، مما يفتح آفاقاً جديدة لتحليل الديناميكيات غير المستقرة عبر الأنماط المختلفة.