📊 statistics

Forecasting of Multiple Seasonal Categorical Time Series Using Fourier Series with Application to AQI Data of Kolkata

تقترح هذه الورقة إطار عمل مبتكرًا يطوع متسلسلات فوريه والدوال المؤشرة لنمذجة تعدد الموسميات في السلاسل الزمنية الفئوية، مما يظهر دقة تنبؤ محسنة لبيانات مؤشر جودة الهواء في كولكاتا مقارنة بطرق ماركوف والتعلم الآلي التقليدية.

المؤلفون الأصليون: Anirban Ghosh, Raju Maiti

نُشر 2026-03-05

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Anirban Ghosh, Raju Maiti

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، ولكن بدلاً من "مشمس" أو "ممطر"، أنت تتنبأ بـ مؤشر جودة الهواء (AQI). في مدن مثل كولكاتا، لا تُعد جودة الهواء مجرد رقم؛ بل هي فئة: جيدة، مرضية، متوسطة، سيئة، سيئة جداً، أو شديدة السوء.

المشكلة هي أن جودة الهواء لا تتغير بشكل عشوائي. إنها تمتلك إيقاعات، مثل نبض القلب.

الإيقاع اليومي: غالباً ما تكون أسوأ في أيام الأسبوع عندما تكون حركة المرور كثيفة، وأفضل في عطلات نهاية الأسبوع.
الإيقاع الموسمي: تكون سيئة للغاية في الشتاء (بسبب الضباب ونقص الرياح) وتكون رائعة خلال موسم الأمطار (حيث تغسل الأمطار الغبار بعيداً).
إيقاع المهرجانات: ترتفع بشكل حاد خلال المهرجانات مثل "ديوالي" بسبب الألعاب النارية.

هذه الورقة البحثية تدور حول بناء "كرة بلورية" أفضل للتنبؤ بفئات جودة الهواء هذه من خلال فهم هذه الإيقاعات المعقدة.

الطريقة القديمة مقابل الطريقة الجديدة

الطريقة القدية (نهج "السلم):
تقليدياً، استخدم الإحصائيون نماذج مثل سلاسل ماركوف (Markov Chains). تخيل سلماً حيث لا يمكنك إلا الانتقال إلى الدرجة التي تعلو أو تقع تحتك مباشرة. هذه النماذج تنظر إلى جودة هواء الأمس لتخمن جودة هواء اليوم.

العيب: إنها مثل الروبوت الجامد. فهي لا تفهم لماذا يكون الهواء سيئاً. هي لا تعرف أن "الشتاء" أو "ديوالي" قادمان. هي فقط ترى نمطاً من "هواء سيء بالأمس = هواء سيء اليوم". إنها تغفل الصورة الكبيرة للفصول والمهرجانات.

الطريقة الجديدة (نهج "الموسيقى والتقويم"):
يقترح المؤلفان، أنيربان غوش وراجو ميتي، نموذجين جديدين مستوحيين من طريقة مشهورة تُستخدم للتنبؤ بالكهرباء تسمى TBATS. لقد طوعاها لتناسب فئات جودة الهواء. فكر في الأمر كتعليم الكمبيوتر كيف "يسمع" موسيقى المواسم و"يقرأ" التقويم.

لقد أنشآ نسختين من هذا النموذج الجديد:

1. نموذج TSOLR: نموذج "الموسيقى الناعمة"

التشبيه: تخيل المواسم كأغنية سلسة وانسيابية. الشتاء هو نوتة منخفضة وعميقة؛ الصيف هو نوتة عالية ومشرقة.
كيف يعمل: يستخدم هذا النموذج سلسلة فوريه (Fourier Series) (وهو مصطلح رياضي معقد لدمج موجات الجيب وجيب التمام) لرسم منحنيات ناعمة تمثل هذه الإيقاعات. إنه يشبه رسم موجة ناعمة على رسم بياني ترتفع وتنخفض لتتطابق مع دورة التلوث السنوية.
لماذا هو رائع: هو بارع في التقاط التغيرات التدريجية. فهو يفهم أن التلوث يزداد سوءاً ببطء مع اقتراب الشتاء ويتحسن ببطء مع وصول الربيع. كما يمكنه التعامل مع "النوتات العالية" (الارتفاعات المفاجئة) مثل ألعاب نارية "ديوالي".

2. نموذج ISOLR: نموذج "مفتاح التقويم"

التشبيه: تخيل تقويماً به مفاتيح كبيرة وواضحة. مفتاح يقول "شتاء"، وآخر يقول "ديوالي"، وآخر يقول "عطلة نهاية الأسبوع".
كيف يعمل: يستخدم هذا النموذج دوال المؤشر (Indicator Functions). الأمر يشبه ضغط مفتاح الضوء. إذا كان اليوم هو "ديوالي"، فإن "مفتاح ديوالي" في وضع التشغيل (1)، وكل شيء آخر في وضع الإيقاف (0).
لماذا هو رائع: إنه مباشر جداً. لا يحاول جعل الأشياء ناعمة؛ بل يقول ببساطة: "مهلاً، إنه يوم مهرجان، لذا ستكون جودة الهواء مرتفعة!". إنه ممتاز للتغيرات المفاجئة والحادة.

التجربة: من الفائز؟

اختبر المؤلفون نماذجهم باستخدام بيانات حقيقية من كولكاتا (2019-2024). وقارنوا نماذجهم الجديدة بما يلي:

المدرسة القديمة: سلاسل ماركوف (السلم الجامد).
تعلم الآلة: الغابات العشوائية (Random Forests) والشبكات العصبية (الكمبيوترات "الصندوق الأسود" التي تخمن بناءً على الأنماط ولكنها لا تشرح لماذا).

النتائج:

الفائز: نموذج TSOLR (الموسيقى الناعمة) كان الأفضل أداءً. فقد تنبأ بفئة جودة الهواء بشكل صحيح بنسبة 74% تقريباً.
المركز الثاني: جاء نموذج ISOLR (مفتاح التقويم) في المركز الثاني بفارق ضئيل جداً.
المفاجأة: نماذج تعلم الآلة "الصندوق الأسود" (مثل الغابات العشوائية) كانت في الواقع أسوأ عندما حاولت استخدام نهج الموسيقى الناعمة (فوريه). بدا وكأنها مرتبكة من الموجات الناعمة، بينما ازدهرت النماذج الإحصائية الجديدة عليها.

لماذا يهم هذا؟

إنه قابل للتفسير: على عكس الذكاء الاصطناعي "الصندوق الأسود" الذي يعطيك إجابة فحسب، فإن هذه النماذج تخبرك لماذا. يمكنك النظر إلى الرياضيات والقول: "آه، النموذج يتنبأ بجودة هواء 'سيئة' لأن 'موجة الشتاء' في ذروتها و'مفتاح ديوالي' في وضع التشغيل".
إنه يتعامل مع التعقيد: الحياة الواقعية تحتوي على إيقاعات متعددة تحدث في وقت واحد (حركة المرور اليومية + المواسم السنوية + المهرجانات لمرة واحدة). هذه النماذج يمكنها الموازنة بين كل تلك الإيقاعات في آن واحد.
إنه عملي: التنبؤات الأفضل تعني تحذيرات أفضل للصحة العامة. إذا عرفنا أن الهواء سيكون "شديد السوء" في الأسبوع المقبل، يمكن للمدن أن تستعد عبر وقف أعمال البناء أو نصح الناس بالبقاء في المنازل.

الخلاصة

فكر في التنبؤ بجودة الهواء مثل محاولة التنبؤ بحركة المد والجزر.

النماذج القديمة كانت تنظر فقط إلى مستوى الماء الآن وتخمن المستوى التالي.
النماذج الجديدة تفهم سحب القمر (المواسم)، والرياح (أيام الأسبوع)، والعاصفة (المهرجانات).

من خلال الجمع بين منطق التقويم ونعومة موجات الموسيقى، بنى المؤلفون أداة ليست دقيقة فحسب، بل هي أيضاً سهلة الفهم للبشر، مما يساعدنا على التنفس بشكل أفضل (حرفياً ومجازياً) في المستقبل.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "نمذجة وتنبؤ المواسم المتعددة المعقدة في السلاسل الزمنية الفئوية باستخدام نماذج TSOLR و ISOLR" من إعداد أنيربان غوش وراجو ميتي.

1. بيان المشكلة

تتناول الورقة البحثية تحدي نمذجة والتنبؤ بـ السلاسل الزمنية الفئوية التي تظهر مواسم متعددة.

السياق: بينما تُعد نماذج مثل TBATS (الموسمية المثلثية، تحويل Box–Cox، أخطاء ARMA، الاتجاه، والمكونات الموسمية) نماذج راسخة للسلاسل الزمنية المستمرة (مثل الطلب على الكهرباء)، إلا أنها لا تنطبق مباشرة على البيانات الفئوية.
التطبيق المحدد: تركز الدراسة على مؤشر جودة الهواء (AQI)، والذي يتم الإبلاغ عنه في فئات ترتيبية (جيد، مرضٍ، متوسط، سيئ، سيئ جداً، شديد) بدلاً من القيم المستمرة.
الفجوة: تُظهر بيانات مؤشر جودة الهواء في البيئات الحضرية (تحديداً في كولكاتا، الهند) أنماطاً موسمية معقدة عند ترددات متعددة:
- أسبوعياً: الاختلافات بين أيام الأسبوع وعطلات نهاية الأسبوع.
- سنوياً/موسمياً: التباينات بين الصيف، الموسم المداري، الخريف، والشتاء.
- مرتبط بالأحداث: الارتفاعات الحادة خلال المهرجانات (مثل ديوالي).
محدودية الطرق الحالية:
- سلاسل ماركوف (Markov Chains): تعاني من انفجار المعلمات مع زيادة مساحة الحالة وغالباً ما تفشل في التقاط الدورات الموسمية المتعددة بشكل صريح.
- تعلم الآلة (RF, SVM, LSTM): غالباً ما تفتقر إلى القابلية للتفسير ولا تقوم بنمذجة الهياكل الموسمية بشكل صريح بطريقة قائمة على أسس إحصائية.
- الانحدار اللوجستي القياسي: غالباً ما يفتقر إلى المرونة لنمذجة الموسمية المعقدة ومتعددة الترددات دون اختيار عشوائي للمتغيرات المصاحبة.

2. المنهجية

يقترح المؤلفان إطارين جديدين يمتدان من فلسفة TBATS إلى الانحدار اللوجستي الترتيبي:

أ. النماذج المقترحة

يستخدم كلا النموذجين إطار الانحدار اللوجستي الترتيبي ذو الاحتمالات المتناسبة للتعامل مع الطبيعة الترتيبية لفئات مؤشر جودة الهواء. يتم نمذجة الاحتمال التراكمي كما يلي:
$\text{logit}(P(Y_t \le j)) = \theta_j - \eta_t$
حيث $\eta_t$ هو المتنبئ الخطي الذي يحتوي على المكونات الموسمية.

نموذج TSOLR (الموسمية المثلثية في الانحدار اللوجستي الترتيبي):
- الآلية: يستخدم سلاسل فوريه (حدود الجيب والجيب تمام) كمتغيرات مصاحبة لنمذجة الموسمية.
- الصيغة: $\eta_t = \sum [\beta_{1i} \cos(2\pi t/P_i) + \beta_{2i} \sin(2\pi t/P_i)] + X_t^T \gamma$ .
- الميزة: يلتقط الدورات الموسمية المستمرة والناعمة (يومية، أسبوعية، سنوية) ويسمح بنمذجة الأحداث ذات التردد الأعلى (مثل المهرجانات) باستخدام حدود الجيب والجيب تمام المطلقة. وهو نموذج موجز وقابل للتفسير.
نموذج ISOLR (الموسمية المؤشرية في الانحدار اللوجستي الترتيبي):
- الآلية: يستخدم متغيرات وهمية (مؤشرات) لنمذجة الموسمية.
- الصيغة: $\eta_t = \beta_1 \cdot \text{Summer}_t + \beta_2 \cdot \text{Monsoon}_t + \dots + \beta_5 \cdot \text{Weekend}_t + \beta_6 \cdot Y_{t-1}$ .
- الميزة: يلتقط التحولات المفاجئة والمنفصلة في جودة الهواء (مثل الارتفاعات المفاجئة أثناء ديوالي أو أشهر شتاء محددة) دون افتراض انتقالات ناعمة.

ب. التقدير والاختيار

التقدير: يتم تقدير المعلمات باستخدام تقدير الاحتمال الأقصى (MLE). وقد تم إثبات التوزيع الطبيعي التقاربي للمقدرات، وتم اشتقاق فترات الثقة من مصفوفة معلومات فيشر الملحوظة (Hessian).
اختيار الرتبة: بما أن مقاييس الارتباط الذاتي (ACF) القياسية لا تنطبق على البيانات الفئوية، استخدم المؤلفون مقاييس الارتباط الذاتي (مثل كوهين كابا، وكرامر في، وجودمان-كروسمان تاو، إلخ) لتحديد رتبة التأخر المناسبة للنماذج.

ج. المقارنة المرجعية

تمت مقارنة النماذج المقترحة مقابل:

السلاسل الزمنية التقليدية: نماذج MTD (توزيع الانتقال المختلط) و PAR (نموذج بيغرام للارتباط الذاتي).
تعلم الآلة: الغابات العشوائية (Random Forests)، آلات ناقلات الدعم (SVM)، وشبكات الذاكرة الطويلة قصيرة المدى (LSTM).
تنوع الميزات: تم اختبار جميع نماذج تعلم الآلة مع كل من الميزات الموسمية القائمة على المؤشرات والميزات القائمة على فوريه لضمان مقارنة عادلة.

3. المساهمات الرئيسية

توسيع نطاق TBATS للبيانات الفئوية: نجح في تكييف قدرة نمذجة المواسم المتعددة لـ TBATS مع السلاسل الزمنية الفئوية الترتيبية عبر الانحدار اللوجستي.
إطار ثنائي (TSOLR و ISOLR): يوفر نهجين متكاملين: أحدهما للاتجاهات الموسمية الناعمة (فوريه) والآخر للتحولات المنفصلة/المفاجئة (المؤشرات)، مما يوفر المرونة بناءً على طبيعة البيانات.
التعامل مع المواسم المتعددة: ينمذج صراحة الدورات الموسمية المتزامنة (أسبوعية، سنوية، ومرتبطة بالأحداث) في بيانات مؤشر جودة الهواء، وهي ميزة غالباً ما تغفلها نماذج ماركوف القياسية.
القابلية للتفسير: على عكس نماذج التعلم العميق "الصندوق الأسود"، توفر نماذج الانحدار اللوجستي المقترحة تفسيراً إحصائياً واضحاً لكيفية تأثير مواسم أو مهرجانات معينة على احتمالية فئات مؤشر جودة الهواء.
التحقق التجريبي: أثبتت دراسات المحاكاة اتساق تقديرات MLE ووضحت فعالية النهج على بيانات مؤشر جودة الهواء الحقيقية في كولكاتا.

4. النتائج

دراسات المحاكاة

الاتساق: مع زيادة أحجام العينات (من 500 إلى 10,000)، انخفضت الأخطاء المعيارية لتقديرات المعلمات، مما أكد الاتساق التجريبي لنموذج TSOLR.
أداء التنبؤ: في البيانات المحاكات، تفوق نموذج ISOLR قليلاً على TSOLR، لكن الفرق كان ضئيلاً وتضاءل مع زيادة أحجام العينات. يشير هذا إلى أن نموذج TSOLR قوي بما يكفي للتنبؤ بالبيانات الترتيبية ذات التأثيرات الموسمية.

التطبيق الواقعي (بيانات مؤشر جودة الهواء في كولكاتا، 2019–2024)

خصائص البيانات: كشف التحليل عن أنماط موسمية واضحة:
- الشتاء: تكرار عالٍ لفئات "سيئ" و"سيئ جداً".
- الموسم المداري: هيمنة فئات "جيد" و"مرضٍ".
- ديوالي: تدهور حاد وقصير المدى في جودة الهواء.
- الاتجاه العام: تحسن عام في جودة الهواء على مر السنين (أيام أقل من فئة "شديد").
دقة التنبؤ (مجموعة الاختبار 2024):
- حقق TSOLR أعلى أداء: 74.04% دقة و 74.07% درجة F1 الموزونة.
- تبعته ISOLR بفارق ضئيل (72.95% دقة).
- تعلم الآلة: تفوقت النسخ القائمة على فوريه من SVM (73.50%) و LSTM (73.70%) على نظيراتها القائمة على المؤشرات. ومن الملاحظ أن أداء الغابات العشوائية انخفض بشكل كبير عند استخدام ميزات فوريه (65.85%)، مما يشير إلى أنها تتعامل مع المؤشرات المنفصلة بشكل أفضل من الحدود المثلثية الناعمة.
- النماذج التقليدية: أدت نماذج MTD و PAR أداءً مشابهاً للنماذج اللوجستية القائمة على المؤشرات، لكنها تفتقر إلى القدرة على دمج المتغيرات الموسمية الخارجية بفعالية.

5. الأهمية والآثار المترتبة

التقدم المنهجي: تسد الورقة البحثية فجوة حرجة في أدبيات السلاسل الزمنية من خلال توفير إطار عمل صارم وقابل للتفسير لـ البيانات الفئوية متعددة المواسم.
الفائدة للصحة العامة: توفر النماذج رؤى قابلة للتنفيذ للمخططين الحضريين والمسؤولين الصحيين. فمن خلال قياس تأثير مواسم أو مهرجانات معينة (مثل ديوالي) على فئات مؤشر جودة الهواء، يمكن للنماذج دعم استراتيجيات مكافرة التلوث وتحذيرات الصحة العامة.
المرونة: لا يقت-صر الإطار على مؤشر جودة الهواء؛ بل يمكن تطبيقه على أي سلسلة زمنية ترتيبية ذات موسمية معقدة، مثل فئات استهلاك الطاقة، أو مستويات الازدحام المروري، أو مؤشرات شدة الطقس.
الاتجاهات المستقبلية: يقترح المؤلفون توسيع النموذج ليشمل التبعيات المكانية (محطات مراقبة متعددة)، ودمج المتغيرات المترولوجية الخارجية (الرياح، الرطوبة)، واستكشاف التقدير البايزي للبيانات الشحيحة.

في الختام، تثبت الورقة البحثية أن نموذجي TSOLR (القائم على فوريه) و ISOLR (القائم على المؤشرات) يقدمان توازناً متفوقاً بين الدقة التنبؤية و القابلية للتفسير للتنبؤ بالأنماط الموسمية المعقدة في السلاسل الزمنية الفئوية، متفوقين على كل من نماذج ماركوف التقليدية والعديد من معايير تعلم الآلة في سياق التنبؤ بمؤشر جودة الهواء.