🤖 machine learning

TailedTS: Benchmark Dataset for Heavy-Tailed Time Series Prediction and Periodicity Quantification

تقدم هذه الورقة البحثية TailedTS، وهي مجموعة بيانات مرجعية واسعة النطاق لعدد مشاهدات صفحات ويكيبيديا التي تتميز بتوزيعات ذات ذيول ثقيلة وتضخم صفري، والمصممة لتقييم نماذج التنبؤ بالسلاسل الزمنية في ظل ظروف غير غاوسية والكشف عن رؤى حول دورية المنصات الرقمية ذات حركة المرور العالية.

المؤلفون الأصليون: Xinyu Chen, HanQin Cai, Lijun Ding, Jinhua Zhao

نُشر 2026-05-19

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Xinyu Chen, HanQin Cai, Lijun Ding, Jinhua Zhao

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 بحالة الطقس. في معظم الأوقات، يكون الطقس قابلاً للتوقع: مشمس، ثم غائم، ثم ربما مطر خفيف. يمكنك بناء نموذج يعتمد على الأيام "المتوسطة"، وسيعمل بشكل جيد للغاية. هذا يشبه مجموعات البيانات الزمنية القديمة التي استخدمها العلماء لسنوات (مثل استهلاك الكهرباء أو حركة المرور)، والتي تتبع في الغالب "منحنى جرس" حيث تكون الأحداث المتطرفة نادرة.

ولكن ماذا لو كنت تحاول التنبؤ بشيء يتصرف مثل "ميم (meme) إنترنت واسع الانتشار"؟ في معظم الأوقات، لا ينظر إليه أحد. ثم فجأة، يغرد أحد المشاهب عنه، فيتدفق الملايين إلى الصفحة في ساعة واحدة. ثم يعود الصمت مرة أخرى. هذه هي البيانات ذات "الذيل الثقيل" (heavy-tailed): فهي مليئة بالأصفار المملة والقفزات الهائلة والمفاجئة التي تكسر القواعد.

تقدم هذه الورقة البحثية TailedTS، وهي مجموعة بيانات جديدة ضخمة صُممت خصيصاً لاختبار النماذج الحاسوبية على هذا النوع من البيانات الفوضوية و"المتقلبة". إليك تفصيل لما فعلوه، باستخدام تشبيهات بسيطة:

1. مجموعة البيانات: مكتبة من اللحظات الرائجة

بنى المؤلفون مجموعة بيانات ضخمة باستخدام مشاهدات صفحات ويكيبيديا لعام 2024.

النطاق: جمعوا حوالي 24.7 مليار نقطة بيانات (مثل عد كل زائر لكل صفحة، كل ساعة، لمدة عام كامل).
"الذيل الثقيل": في هذه المكتبة، تحصل حفنة صغيرة من الصفحات (حوالي 5%) على الغالبية العظمى من الاهتمام (أكثر من 70% من إجمالي المشاهدات). أما بقية الملايين من الصفحات فتحصل على مشاهدات قليلة جداً.
المشكلة: معظم النماذج الحاسوبية يتم تدريبها على بيانات "هادئة". إذا ألقيت عليهم بيانات ويكيبيديا "الرائجة" هذه، فسيصابون بالارتباك لأنهم يتوقعون أن تكون الحركة مستقرة. هم لا يعرفون كيفية التعامل مع الزيادات المفاجمة والهائلة.

2. الاكتشاف: الصفحات الشهيرة فوضوية

سأل الباحثون سؤالاً بسيطاً: "هل تتبع الصفحات الشهيرة جدولاً زمنياً يمكن التنبؤ به، مثل جدول مواعيد القطارات؟"

التشبيه: فكر في شارع هادئ في حي سكني (الصفحات الأقل شهرة). له إيقاع يمكن التنبؤ به: أطفال يسيرون إلى المدرسة في الساعة 8 صباحاً، وأشخاص يعودون إلى منازلهم في الساعة 5 مساءً. إنه دوري للغاية.
النتيجة: الآن فكر في تقاطع طرق مزدحم في مدينة (الصفحات الشهيرة). إنه فوضوي. قد ينشر أحد المشاهير صورة، أو يحدث حدث إخباري، مما يتسبب في حشد هائل وغير متوقع.
النتيجة: وجد الفريق أن الصفحات الشهيرة في ويكيبيديا هي في الواقع أقل قابلية للتنبؤ من الصفحات الهادئة. فهي لا تتبع دورة يومية أو أسبوعية صارمة بنفس القدر لأنها تتفاعل باستمرار مع أحداث واقعية عشوائية. هذا أمر بالغ الأهمية لأي شخص يحاول إدارة حركة مرور الخوادم للمواقع الكبيرة.

3. الحل: تغيير "بطاقة التقييم"

للتنبؤ بهذه الأرقام الفوضوية، اختبر الباحثون طرقاً مختلفة لقياس "الخطأ" (مدى سوء التنبؤ).

الطريقة القديمة ("العجلة الصارخة"): تستخدم النماذج التقليدية طريقة تسمى "المربعات الصغرى" (ℓ2-norm). تخيل معلماً يصحح الأوراق حيث يكون الخطأ الصغير واحداً مقبولاً، ولكن إذا أخطأ الطالب في سؤال واحد بشكل صارخ، فإن المعلم يصرخ ويرسبه في الاختبار بأكمله. هذه الطريقة تصبح مهووسة بأكبر الأخطاء (القفزات الرائجة) وتفسد التنبؤ للجميع.
الطريقة الجديدة ("المدرب الصارم"): اختبر الباحثون طرقاً "قوية" (مثل خسارة هوبر أو ℓp-norm). تخيل مدرباً يقول: "حسناً، لقد أخطأت في تلك القفزة الكبيرة الواحدة، ولكن دعونا ننظر إلى بقية المباراة". هذه الطرق تتجاهل القيم المتطرفة أو تتعامل معها بلطف، بحيث يتعلم النموذج النمط العام دون أن يصاب بالجنون.
النتيجة: عندما استخدموا طرق "المدرب الصارم" هذه، أصبحت النماذج أفضل بكثير في التنبؤ بحركة المرور، خاصة للصفحات الأكثر شهرة. فشلت الطرق القديمة فشلاً ذريعاً عند حدوث تلك القفزات الكبيرة؛ بينما تعاملت الطرق الجديدة معها ببراعة.

4. لماذا هذا مهم؟

هذه الورقة البحثية ليست عن ويكيبيديا فحسب؛ بل هي عن اختبار قدرة التحمل لنماذج الذكاء الاصطناعي لدينا.

المعيار: لقد أنشأوا "اختبار جهد" (benchmark) لمعرفة ما إذا كانت نماذج الذكاء الاصطناعي قادرة على التعامل مع الفوضى في العالم الحقيقي.
الدرس: إذا بنيت نموذجاً باستخدام البيانات "الهادئة" فقط، فسوف ينكسر عندما يصطدم بالعالم الحقيقي، حيث تحدث الأحداث الرائجة والتقلبات الشديدة.
الخلاصة: للتنبؤ بمستقبل أشياء مثل حركة مرور الإنترنت، أو أسواق الأسهم، أو مكالمات الطوارئ، نحتاج إلى التوقف عن افتراض أن كل شيء يتبع منحنى جرس مرتب وجميل. نحن بحاجة إلى نماذج مستعدة لـ "الذيول الثقيلة" — تلك الأحداث النادرة والهائلة التي تغير كل شيء.

باخت-اختصار: أثبت المؤلفون من خلال مجموعة بيانات ضخمة وفوضوية لحركة مرور ويكيبيديا أن نماذج الذكاء الاصطناعي الحالية لدينا هشة للغاية بالنسبة للعالم الحقيقي. وقد أظهروا أنه من خلال تغيير طريقة قياسنا للأخطاء (تجاهل القيم المتطرفة القصوى)، يمكننا بناء نماذج أكثر مرونة ودقة عندما تصبح الأمور مجنونة.

ملخص تقني: مجموعة بيانات TailedTS المرجعية للتنبؤ بالسلاسل الزمنية ذات الذيول الثقيلة

بيان المشكلة

يعد التنبؤ بالسلاسل الزمنية مكونًا حاسمًا في تطبيقات تعلم الآلة عبر مجالات الاقتصاد، والهندسة، وعلوم البيئة. ومع ذلك، تعتمد النماذج التنبؤية التقليدية بشكل أساسوري على افتراضات التوزيع الطبيعي (Gaussian) للبواقي، والتي غالبًا ما تُنتهك بسبب السلوكيات ذات الذيول الثقيلة، والانتفاخ الصفري (zero-inflated)، وعدم التوزيع الطبيعي الملاحظة في مجموعات البيانات التجريبية في العالم الحقيقي. تفشل المراجع الحالية، مثل مسابقات M-Competitions (M4, M5) ومجموعات بيانات UCI للكهرباء، في تمثيل الديناميكيات الزمنية المختلفة (مثل دورات الكهرباء)، لكنها غالبًا ما تخفق في تمثيل التقلبات الشديدة المدفوعة بالأحداث والندرة عالية الأبعاد المتأصلة في أنماط الاهتمامات البشرية المعقدة. وتحديدًا، لا تظهر هذه المجموعات بشكل كافٍ توزيعات قانون القوة (power-law distributions) حيث تساهم فئة ضئيلة من الأحداث في غالبية الملاحظات، مما يخلق فجوة في تقييم متانة النماذج ضد الطفرات العشوائية والنواتج المتطرفة (outliers).

المنهجية

تقدم الورقة البحثية TailedTS، وهي مجموعة بيانات مرجعية واسعة النطاق مستمدة من ملاحظات مشاهدات صفحات ويكيبيديا بالساعة طوال عام 2024. تشمل المنهجية ثلاثة مكونات رئيسية:

1. بناء وتنسيق مجموعة البيانات

تتكون مجموعة البيانات من حوالي 24.69 مليار نقطة بيانات تغطي ما يقرب من 3 ملايين صفحة فريدة على ويكيبيديا شهريًا. لضمان جودة البيانات والتركيز على المحتوى الأكثر مشاهدة، قام المؤلفون بتصفية البيانات الخام لتشمل فقط الصفحات التي تحافظ على حد أدنى قدره 10 مشاهدات يوميًا لكل يوم من أيام الشهر. ينتج عن هذه التصفية مجموعة بيانات حيث تساهم حوالي 5% من الصفحات في أكثر من 70% من إجمالي مشاهدات الصفحات، مما يلتزم بتوزيع قانون القوة الواضح. يتم تخزين البيانات بتنسيق Apache Parquet عالي الكفاءة.

2. إطار تحديد الدورات الزمنية (Periodicity)

لتحليل البنية الدورية للسلاسل الزمنية، يقترح المؤلفون إطار عمل للانحدار الذاتي المتناثر (sparse autoregression framework) مع قيود التناثر وعدم السالبية. يتم صياغة مشكلة التحسين لتحديد الارتباطات الذاتية المهيمنة (مثل الدورات اليومية والأسبوعية) تلقائيًا.

الصياغة: تعمل المشكلة على تقليل الخطأ التربيعي مع الخضوع لقيد $\ell_0$ -norm على متجه المعاملات $w_\gamma$ وقيد عدم السالبية ( $w_\gamma \in \mathbb{R}^d_+$ ).
التنفيذ: تمت إعادة صياغة المشكلة كمسألة برمجة تربيعية ذات أعداد صحيحة مختلطة (MIQP)، تم حلها باستخدام خوارزمية CPLEX. يفترض النموذج مجموعات دعم متسقة عبر فئات مختلفة من شعبية الصفحات.

3. النمذجة التنبؤية المتينة

تقيم الورقة نماذج التنبؤ بالانحدار الذاتي باستخدام مجموعة من دوال الخسارة غير الطبيعية (non-Gaussian loss functions) لمعالجة الضجيج ذي الذيول الثقيلة. تهدف عملية التحسين إلى تقليل مجموع دالة الخسارة $\rho(\varepsilon_t)$ عبر البواقي. تقارن الدراسة بين:

خسارة $\ell_2$ -norm: المربعات الصغرى القياسية (افتراض التوزيع الطبيعي).
خسارة $\ell_1$ -norm: الانحرافات المطلقة (LAD).
خسارة Huber: تتوسط بين $\ell_2$ و $\ell_1$ ، حيث تطبق عقوبة تربيعية على البواقي الصغيرة وعقوبة خطية على البواقي الكبيرة.
خسارة Quantile: تتيح تقدير الربيعات الشرطية باستخدام عقوبات خطية غير متماثلة.
خسارة $\ell_p$ -norm ( $0 < p < 1$ ): توفر متانة هجومية من خلال معاقبة البواقي بشكل دون خطي، رغم أنها تفرض تحديات تحسين غير محدبة.

المساهمات الرئيسية

تحدد الورقة ثلاث مساهمات رئيسية:

مجموعة بيانات مرجعية: توفر TailedTS مجموعة بيانات سلاسل زمنية عالية الأبعاد، ذات ذيول ثقيلة، ومنتفخة صفريًا، تحتوي على ملايين السلاسل الزمنية عبر فترة طويلة (8,784 خطوة زمنية ساعية في 2024). وهي تسمح لمجتمع البحث بتقييم النماذج ضد البواقي غير الطبيعية والطفرات العشوائية، وهو سيناريو تفشل فيه المقدرات القياسية القائمة على التوزيع الطبيعي غالبًا.
تحديد الدورات الزمنية: استخدم المؤلفون الانحدار الذاتي المتناثر ليكشفوا أن الصفحات الأكثر مشاهدة تظهر بنية دورية أضعف بكثير من نظيراتها الأقل مشاهدة. تشير هذه النتيجة إلى أن الصفحات الشعبية تكون أكثر عرضة للأحداث الخاصة والشذوذ، مما يعقد التنبؤ بها رغم حجمها الكبير.
النمذجة التنبؤية المتينة: تثبت الدراسة أن المقدرات القياسية القائمة على التوزيع الطبيعي تتدهور بشكل كبير في فئات الصفحات ذات الحجم العالي. في المقابل، توفر البدائل المتينة (خسائر Huber، و $\ell_p$ -norm، و Quantile) مكاسب ثابتة عبر جميع مقاييس حركة المرور من خلال التخفيف من تأثير القيم المتطرفة.

النتائج التجريبية

أجرى المؤلفون تجارب مكثفة على مجموعة بيانات TailedTS وأربع مجموعات بيانات مرجعية خارجية (UCI electricity, SF traffic, Air quality, Weather data).

تحليل الموسمية: تحت مستويات تناثر $\tau=8$ و $\tau=10$ ، تم تحديد الارتباطات الذاتية المهيمنة للدورات اليومية (24 ساعة)، وثنائية اليوم (48 ساعة)، والأسبوعية (168 ساعة). أكد التحليل أن فئات الصفحات عالية الحجم (مثل $O(10^4)$ مشاهدة) أظهرت معاملات موسمية أقل مقارنة بالفئات ذات الحجم الأقل، مما يشير إلى تقلب أعلى.
أداء التنبؤ على TailedTS:
- بالنسبة للفئات عالية الحجم ( $O(10^4)$ )، حققت خسارة $\ell_2$ -norm القياسية جذر متوسط مربع خطأ (RMSE) قدره 1163.08.
- تفوقت المقدرات المتينة بشكل كبير على الأساس: حققت خسارة $\ell_p$ -norm قيمة RMSE قدرها 129.28، وحققت خسارة Huber قيمة 139.87.
- أظهرت خسارة $\ell_2$ -norm نتائج تنافسية فقط في الفئات ذات الحجم الأقل ( $O(10^2)$ )، لكن أداؤها تدهور بشدة مع زيادة الحجم.
الأداء على المراجع الخارجية: تحققت الدراسة من أن البواقي في المراجع القياسية (UCI electricity, SF traffic، إلخ) تظهر أيضًا سلوك ذيول ثقيلة عبر الرسوم البيانية اللوغاريتمية-اللوغاريتمية (log-log histograms). قللت دوال الخسارة غير الطبيعية باستمرار من قيم MAPE و RMSE عبر هذه المجموعات. على سبيل المثال، في بيانات UCI للكهرباء، قللت خسائر $\ell_1$ و Huber من قيمة MAPE من 0.095 ( $\ell_2$ ) إلى 0.083، وهو انخفاض نسبي بنسبة 13% تقريبًا.

الأهمية والادعاءات

تضع الورقة TailedTS كاختبار جهد صارم لنماذج التنبؤ بالسلاسل الزمنية، مستهدفةً بشكل خاص أوجه القصور في أساليب الحالة الراهنة (SOTA) التي تعتمد على افتراضات التوزيع الطبيعي. يدعي المؤلفون أن:

المتانة أمر بالغ الأهمية: المقدرات القياسية غير مناسبة لحركة المرور الرقمية في العالم الحقيقي التي تتميز بضجيج ذي ذيول ثقيلة وتقلبات شديدة.
اختيار دالة الخسارة أمر جوهري: إن اختيار دالة الخسية هو المحدد الرئيسي لمرونة النموذج. الدوال المتينة (Huber, $\ell_p$ , Quantile) ضرورية لالتقاط أنماط الاهتمام البشري غير المنتظمة والمترابطة التي تنحرف عن القيود الفيزيائية الموجودة في أنظمة النقل أو المناخ.
القابلية للتوسع والتعميم: من خلال دمج TailedTS مع المراجع الأرصادية الحالية، يمكن للباحثين تقييم قابلية توسع أطر العمل الأصلية للمعالجات الرسومية (GPU-native) وفعالية دوال الخسارة المتينة بشكل أفضل.

يخلص المؤلفون إلى أنه بينما توفر المقدرات المتينة تقليلًا كبيرًا في الخطأ، فإن التحديات التي تفرضها المقاييس المتطرفة والانتفاخ الصفري المنتشر تظل جبهة صعبة. ويهدفون من خلال هذا المرجع إلى تحفيز تطوير نماذج الجيل القادم المدركة للتوزيعات، والتي تسد الفجوة بين التحسين النظري وواقع الذيول الثقيلة لبيانات السلالات الزمنية واسعة النطاق.

القيود: يشير المؤلفون إلى أن المرجع مستمد حصريًا من بيانات ويكيبيديا وقد لا يلتقط جميع أشكال عدم الاستقرار في العالم الحقيقي، مثل التحولات الجذرية في الأنظمة أو التلاعب العدائي. وبناءً على ذلك، قد لا تنطبق الاستنتاجات المستخلصة بالكامل على السلاسل الزمنية التي تحكمها آليات توليد بيانات مختلفة.