🤖 machine learning

What if Tomorrow is the World Cup Final? Counterfactual Time Series Forecasting with Textual Conditions

تقدم هذه الورقة مهمة التنبؤ بالسلاسل الزمنية القائمة على التوقعات المضادة مع الشروط النصية، مقترحةً آلية جديدة لنسب النصوص وإطار تقييم شامل لتمكين تنبؤات مرنة ومدركة للشروط في السيناريوهات المعقدة الواقعية حيث تؤثر الأحداث المستقبلية على النتائج.

المؤلفون الأصليون: Shuqi Gu, Yongxiang Zhao, Baoyu Jing, Kan Ren

نُشر 2026-05-15

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Shuqi Gu, Yongxiang Zhao, Baoyu Jing, Kan Ren

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 بحركة المرور في شارع مزدحم غداً.

الطريقة القديمة (التنبؤ التقليدي):
تعمل معظم النماذج الحاسوبية مثل مؤرخ ينظر في مرآة الرؤية الخلفية. فهي تقول: "في يوم الجمعة الماضي، كانت حركة المرور كثيفة في الساعة 5 مساءً بسبب وقت الذروة. لذا، في يوم الجمعة القادم، من المرجح أن تكون حركة المرور كثيفة أيضاً في الساعة 5 مساءً". إنها تعتمد كلياً على ما حدث في الماضي.

المشكلة:
ماذا لو لم يكن يوم غدٍ جمعة عادية؟ ماذا لو ضربت عاصفة هائلة، أو أقيمت مباراة نهائي كأس العالم بالقرب من المكان؟ ستصاب النماذج القديمة بالارتباك. فهي لا تعرف كيفية التعامل مع سيناريوهات "ماذا لو؟" لأنها لم ترَ مثل هذه الحالات في كتب تاريخها. كما أنها تجد صعوبة في فهم الأوصاف المعقدة مثل "عاصفة مطرية مفاجئة عند الساعة 5 مساءً تسببت في تضرر الطريق"، وتفضل التصنيفات البسيطة مثل "مطر: نعم/لا".

الحل الجديد (TADIFF):
تقدم هذه الورقة نموذج ذكاء اصطناعي جديد يسمى TADIFF (نموذج الانتشار الزمني المعتمد على النصوص - Text-Attributive Time Series Diffusion). فكر فيه كأنه متنبئ أرصاد جوية فائق الخيال يمكنه قراءة قصة والتنبؤ بكيفية تغير الحبكة.

إليك كيف يعمل، مقسماً إلى مفاهيم بسيطة:

1. لعبة "ماذا لو؟" (التنبؤ بالواقع المضاد)

يريد المؤلفون من الذكاء الاصطناعي أن يجيب على أسئلة مثل: "إذا أقيم نهائي كأس العالم غداً، كيف ستتغير حركة المرور؟" حتى لو لم تُقم المباراة بعد.

الواقعي (Factual): التنبؤ بالغد بناءً على ما نعرف أنه سيحدث (مثلاً: "إنه يوم سبت مشمس").
الواقع المضاد (Counterfactual): التنبؤ بالغد بناءً على سيناريو افتراضي (مثلاً: "ماذا لو أغلق موكب ضخم الطريق؟").

2. الخدعة السحرية: فصل "الشخص" عن "الزي"

هذا هو الابتكار الأكبر للورقة، ويسمى الإسناد النصي (Text-Attribution).
تخيل أن السلسلة الزمنية (مثل بيانات حركة المرور) هي شخص ما.

السمات الجوهرية (الشخص): هذا هو من يكون في أعماقه—شخصيته، طوله، إيقاعه الطبيعي. في حركة المرور، هذا هو "التدفق الطبيعي" للسيارات الذي يحدث كل يوم بغض النظر عن الأحداث الخارجية.
الظروف الخارجية (الزي): هذا هو ما يحدث له من الخارج—ارتداء معطف مطر، أو المشاركة في ماراثون، أو العلوق في موكب.

المشكلة مع النماذج الأخرى: تحاول هذه النماذج تخمين المستقبل عبر خلط "الشخص" و"الزي" معاً. فإذا تغير "الزي" (مثل موكب)، فإنها ترتبك بشأن حقيقة "الشخص".

حل TADIFF:
يستخدم TADIFF "عدسة سحرية" خاصة لتجريد الشخص من زيه أولاً.

الخطوة 1 (الإسناد): ينظر إلى حركة المرور الماضية ويقول: "حسناً، بتجاهل المطر والموكب، ما هو الإيقاع الطبيعي لهذا الطريق؟" إنه يعزل "الشخص".
الخطوة 2 (التنبؤ): يأخذ هذا "الشخص الطبيعي" ويُلبسه "الزي الجديد" الموصوف في النص (مثلاً: "نهائي كأس العالم"). ثم يحاكي كيف سيتصرف هذا الشخص تحديداً في ذلك الموقف الجديد.

3. قراءة القصة (الظروف النصية)

بدلاً من إجبار الذكاء الاصطناعي على فهم مربعات الاختيار البسيطة (مثل "مطر: نعم")، يقرأ TADIFF جملًا كاملة.

المدخلات: "هناك عاصفة مطرية حوالي الساعة 5:00 تسببت في تضرر الطريق، وسيتم الانتهاء من الإصلاحات حوالي الساعة 9:00."
النتيجة: يفهم الذكاء الاصطناعي التفاصيل الدقيقة: حركة المرور ستكون سيئة عند الساعة 5، وربما تسوء عند الساعة 6 بسبب الضرر، ثم تتحسن بحلول الساعة 9. إنه يعامل النص كأنه نص مسرحي لمشهد سينمائي.

4. تحدي "بلا نص" (التقييم)

عادةً، للتحقق مما إذا كان التنبؤ جيداً، ننتظر حدوث المستقبل ونقارنه بالواقع. ولكن بالنسبة لسيناريوهات "ماذا لو؟" (مثل موكب لم يحدث أبداً)، لا يوجد واقع للمقارنة به.

لذلك ابتكر المؤلفون حكماً جديداً (يسمى DTTC).
بدلاً من التحقق من "هل الرقم صحيح؟"، يسأل الحكم سؤالين:

هل لا يزال هذا التنبؤ يبدو وكأنه الطريق الأصلي؟ (هل حافظنا على "الشخص" كما هو؟)
هل يتوافق هذا التنبؤ مع القصة التي حكيناها؟ (هل "الزي" يناسب السيناريو؟)
إذا تنبأ الذكاء الاصطناعي بموكب لكن الطريق بدا وكأنه صحراء، فإن الحكم يرفضه. وإذا تنبأ بموكب لكن الطريق بدا وكأنه يوم ثلاثاء عادي، فإن الحكم يرفضه أيضاً.

5. تدريب الخيال

بما أن الذكاء الاصطناعي لا يمكنه رؤية المستقبل لسيناريوهات "ماذا لو؟"، فقد علمه المؤلفون من خلال اختلاق سيناريوهات وهمية.
أخذوا بيانات حقيقية واستبدلوا "الأزياء" بشكل عشوائي.

واقعي: "يوم مشمس، حركة مرور عادية."
تدريب وهمي: "يوم مشمس، ولكن تخيل أن هناك موكباً يحدث الآن."
لقد دربوا الذكاء الاصطناعي على التعامل مع هذه القصص المختلقة، بحيث عندما يأتي سؤال "ماذا لو" حقيقي، يكون الذكاء الاصطناعي مستعداً.

الملخص

تزعم الورقة أن TADIFF أفضل من النماذج السابقة لأنه:

يمكنه قراءة قصص نصية معقدة لفهم الظروف المستقبلية.
يفصل بين "الإيقاع الطبيعي" للبيانات وبين "الأحداث الخارجية" لتجنب الارتباك.
يمكنه التنبؤ بسيناريوهات "ماذا لو؟" (الواقع المضاد) حتى عندما لا توجد بيانات حقيقية للتحقق منها، باستخدام طريقة جديدة للحكم على مدى منطقية التنبؤ.

باخت-الكلمة، إنه ذكاء اصطناعي لا يكتفي بالنظر في مرآة الرؤية الخلفية؛ بل يقرأ نص مسرحية الغد ويمثل المشهد، حتى لو كان ذلك المشهد خيالياً تماماً.

ملخص تقني: التنبؤ بالسلاسل الزمنية المضادة للواقع مع الشروط النصية

تعريف المشكلة

غالبًا ما يعوق التنبؤ بالسلاسل الزمنية في السيناريوهات الواقعية الاعتماد على الأنماط التاريخية والظروف المستقبلية الواقعية، مما يؤدي إلى الفشل في مراعاة السيناريوهات المعقدة، والعشوائية، والافتراضية ("ماذا لو"). تعتمد الطرق الحالية عادةً على الملاحظات التاريخية أو التدخلات المستقبلية البسيطة ذات الهيكل المحدد (مثل مؤشرات الأحداث الثنائية)، مما يحد من قدرتها على التعميم في مواجهة التعقيدات غير المهيكلة في العالم الحقيقي. علاوة على ذلك، فإن تقييم أداء التنبؤ في ظل الظروف المضادة للواقع — حيث لم يحدث الحدث المستقبلي الموصوف في النص فعليًا وبالتالي يفتقر إلى بيانات السلاسل الزمنية الحقيقية (Ground-truth) — يمثل تحديًا جوهريًا للمقاييس التقليدية القائمة على الدقة مثل متوسط مربع الخطأ (MSE).

تحدد الورقة مهمة التنبؤ بالسلاسل الزمنية المضادة للواقع مع الشروط النصية. الهدف هو التنبؤ بتسلسلات السلاسل الزمنية المستقبلية مشروطة بـ:

بيانات السلاسل الزمنية التاريخية ( $x_h$ ) والشروط النصية التاريخية المرتبطة بها ( $c_h$ ).
الشروط النصية المستقبلية ( $c_f$ ) التي قد تكون واقعية (مرصودة) أو مضادة للواقع (افتراضية/عشوائية).

وتشمل التحديات الرئيسية المحددة ما يلي:

صراعات الأنماط: قد تظهر الديناميكيات التاريخية والظروف المستقبلية أنماطًا متضاربة (على سبيل المثال، قد يتسبب نهائي كأس العالم في طفرات في حركة المرور رغم ساعات الحركة المنخفضة المعتادة).
القدرة على التكيف: تعاني النماذج المدربة فقط على البيانات الواقعية من صعوبة في التكيف مع تركيبات مضادة للواقع غير مرئية، وغالبًا ما تنتج تنبؤات متجانسة.
التقييم: إن غياب تسلسلات المستقبل الحقيقية في الإعدادات المضادة للواقع يجعل المقاييس الرقمية القياسية غير قابلة للتطبيق.

المنهجية: TADIFF

يقترح المؤلفون TADIFF (الانتشار الزمني المنسوب للنص)، وهو نموذج انتشار متعدد الوسائط مصمم لمعالجة هذه التحدات من خلال آلية عزو نصي مبتكرة.

1. آلية العزو النصي (Text-Attribution Mechanism)

لموازنة تأثير الأنماط التاريخية والظروف المستقبلية، يقوم TADIFF بفصل السلسلة الزمنية إلى سمات جوهرية (خصائص أساسية مستقلة عن الظروف الخارجية، مثل الهياكل الديموغرافية في حركة المرور) وظروف خارجية (عوامل سياقية مثل الطقس أو الأحداث).

مرحلة العزو (الاستدلال): يستخدم النموذج عملية انتشار أمامية مدركة للشرط لـ "إزالة" تأثير الظروف الخارجية التاريخية ( $c_h$ ) من التسلسل التاريخي ( $x_{h,0}$ )، واستخراج السمة الجوهرية ( $x_{h,T}$ ). وهذا يعمل كنقطة البداية لحالة الضجيج لعملية التنبؤ.
مرحلة التنبؤ: يقوم النموذج بتكييف عملية إزالة الضجيج بناءً على التسلسل التاريخي الأصلي ( $x_{h,0}$ ) والشرط النصي المستهدف ( $c_f$ ). ويستخدم السمة الجوهرية المستخرجة ( $x_{h,T}$ ) كنقطة انطلاق لتوليد التسلسل المستقبلي، مما يضمن أن يحترم التنبؤ الديناميكيات الجوهرية الأساسية مع التكيف مع الشرط النصي الجديد.

2. استراتيجية التدريب

التحسين المشترك: يتم تدريب النموذج مع هدفين:
- خسارة العزو ( $L_A$ ): تقلل من خطأ تقدير الضجيج عند عزو السمات الجوهرية من البيانات التاريخية في ظل الظروف التاريخية.
- خسارة التنبؤ ( $L_F$ ): تقلل من خطأ تقدير الضجيج للتسلسل المستقبلي، مع حجبها للإشراف فقط على المكونات المستقبلية.
تعزيز البيانات المضادة للواقع والضبط الدقيق: لتحسين القدرة على التكيف مع الظروف المتنوعة دون وجود بيانات مستقبلية حقيقية، قام المؤلفون ببناء مجموعة بيانات مضادة للواقع عن طريق الربط العشوائي بين التسلسلات التاريخية والظروف المستقبلية البديلة. وهم يقترحون خوارزمية ضبط دقيق تستفيد من المقاييس الدلالية (DTTC) لتحسين النموذج على هذه البيانات الاصطعية المضادة للواقع، مما يعزز التعميم دون المساس بالدقة الواقعية.

3. إطار التقييم (DTTC)

لتقييم التنبؤات في غياب الحقيقة الأرضية (Ground Truth)، قدمت الورقة DTTC (الاتساق بين السلاسل الزمنية والنصوص)، وهو مقياس تقييم دلالي يعتمد على التعلم التبايني.

DTTC-I: يقيس الاتساق بين التنبؤ والسمات الجوهرية للتسلسل التاريخي.
DTTC-E: يقيس الاتساق بين التنبؤ والظروف النصية الخارجية المستقبلية.
يستخدم نموذج DTTC بنية مشفر مزدوج (مشفر السلاسل الزمنية ومشفر النصوص) مدربة لمواءمة السمات الجوهرية عبر الزمن والسمات الخارجية بين السلاسل الزمنية والنصوص.

المساهمات الرئيسية

صياغة المهمة: تقديم التنبؤ بالسلاسل الزمنية المضادة للواقع مع الشروط النصية، مما يسمح بالتنبؤ المرن والمدرك للشرط تحت الافتراضات العشوائية.
إطار التقييم: إطار شامل يجمع بين الدقة الرقمية (في الإعدادات الواقعية) والاتساق الدلالي (DTTC) لكل من الإعدادات الواقعية والمضادة للواقع، مما يعالج نقص الحقيقة الأرضية في السيناريوهات الافتراضية.
بنية النموذج: تطوير نموذج الانتشار TADIFF الذي يتميز بآلية عزو نصي تفصل الأنماط التاريخية الجوهرية عن السياقات النصية.
استراتيجية التدريب: نهج ضبط دقيق مضاد للواقع يعزز قدرة النموذج على التكيف مع الظروف المتنوعة باستخدام البيانات المنشأة والمقاييس الدلالية.

النتائج التجريبية

قيم المؤلفون TADIFF على مجموعات بيانات اصطناعية (Synth) وواقعية (ETTm1, Traffic, Exchange, Weather).

الأداء الواقعي: حقق TADIFF دقة رقمية فائقة (MAE, MSE) واتساقًا دلاليًا (DTTC-I, DTCC-E) مقارنة بالنماذج أحادية الوسائط (مثل DLinear, PatchTST) والنماذج متعددة الوسائط (مثل VerbalTS, TimeMMD, IATSF).
الأداء المضاد للواقع: في الإعدادات التي تفتقر إلى الحقيقة الأرضية، أظهر TADIFF قدرة قوية على التعميم، محققًا أعلى درجات DTTC، مما يشير إلى أنه يوازن بفعالية بين القيود التاريخية والظروف المستقبلية الافتراضية.
دراسات الاستئصال (Ablation Studies):
- العزو النصي: أدى إزالة هذه الآلية إلى تدهور كبير في كل من الاتساق الدلالي والدقة الرقمية، لا سيال في الإعدادات المضادة للواقع، مما يؤكد دورها في فصل السمات الجوهرية.
- الضبط الدقيق المضاد للواقع: أدى الضبط الدقيق على البيانات المضادة للواقع إلى تحسين الاتساق الدلالي دون التضحية بالدقة الرقمية في البيانات الواقعية.
- الضجيج الأولي: أظهر التحليل أن العزو النصي يحسن مساحة الضجيج الأولية لنموذج الانتشار، مما يؤدي إلى تكوين مجموعات أكثر تماسكًا ويؤدي إلى عملية إزالة ضجيج شرطية أكثر فعالية.

الأهمية والادعاءات

تزعم الورقة أن TADIFF يفتح آفاقًا جديدة لنمذجة وتقييم التنبؤات المضادة للواقع تحت ظروف معقدة. ومن خلال تجاوز الاعتماد على المسارات التاريخية والتدخلات الفئوية البسيطة، تسمح الطريقة المقترحة بتنبؤ أكثر عقلانية ومرونة في السيناريوهات التي تختلف فيها الديناميكيات المستقبلية بشكل كبير عن الماضي.

يسلط المؤلفون الضوء على ثلاث آثار اجتماعية إيجابية محتملة:

المساعدة في اتخاذ القرار تحت افتراضات معقدة وعشوائية (على سبيل المثال، "ماذا لو ضربت عاصفة أثناء حدث كبير؟").
توفير طرق تقييم مبتكرة للتنبؤ بالسلاسل الزمنية حيث لا تتوفر الحقيقة الأرضية.
إلهام استخدام أفضل للمعلومات متعددة الوسائط في تحليل السلاسل الزمنية.

تلتزم الورقة بموقف متواضع فيما يتعلق بالقيود، مشيرة إلى التحديات في تقييم التنبؤات ذات الأطوال المتفاوتة باستخدام المقاييس القائمة على النماذج، لكنها تؤكد على فائدة الإطار المقترح لاتخاذ القرار في العالم الحقيقي.