🤖 machine learning

Triangular Fuzzy Rescaling Distance

تقترح هذه الورقة مسافة إعادة القياس الضبابية المثلثية ( $d_{TR}$ )، وهي مقياس مبتكر يدمج إعادة القياس الخطي مباشرة في حساب المسافة لتمكين المقارنات غير المتأثرة بالمقياس للأعداد الضبابية المثلثية في سياقات اتخاذ القرار غير المتجانسة مع استيفاء جميع خصائص المقياس رسميًا.

المؤلفون الأصليون: Eddy Soria, Aida Valls, Ana Beatriz Hernández-Lara

نُشر 2026-08-21

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Eddy Soria, Aida Valls, Ana Beatriz Hernández-Lara

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

في الواقع الفوضوي للعالم، نادراً ما تكون البيانات مثالية؛ فالمقاسات تأتي مع هوامش خطأ، وآراء الخبراء تتباين في درجة ثقتها، والمعلومات غالباً ما تكون غير مكتملة. ولإدراك هذا النوع من عدم اليقين، يلجأ العلماء وصناع القرار غالباً إلى أداة رياضية تسمى "الرقم الضبابي المثلثي" (triangular fuzzy number). وبدلاً من تثبيت قيمة ما عند نقطة واحدة صلبة على خط الأعداد، يمثل هذا النهج القيمة كشكل مثلثي صغير يستوعب نطاقاً من الاحتمالات، بدءاً من النتيجة الأكثر احتمالاً وصولاً إلى الأطراف القصوى لما هو ممكن. وتعد هذه الطريقة لا تقدر بثمن لنمذجة كل شيء، من اتجاهات السوق المستقبلية إلى المراقبة البيئية، حيث يستحيل تحقيق الدقة المطلقة. ومع ذلك، تبرز مشكلة كبيرة عندما يحاول الباحثون مقارنة هذه الأشكال الضبابية ببعضها البعض، خاصة عندما تأتي البيانات من مصادر مختلفة بوحدات مختلفة. إن مقارنة قياس لدرجة الحرارة بالدرجات مع قياس للدخل بالدولارات تشبه محاولة جمع التفاح مع البرتقال؛ فالمقاييس ونقاط البداية المختلفة تشوه عملية المقارنة، مما يؤدي غالباً إلى استنتاجات مضللة حول أي الخيارات هو الأفضل حقاً أو الأقرب إلى الهدف.

ولحل هذه العقبة المستمرة، طور الباحثون إيدي سوريا، وأيدا فاليس، وآنا بياتريس هيرنانديز طريقة جديدة لقياس المسافة بين هذه الأشكال الضبابية، وأطلقوا عليها اسم "مسافة إعادة القياس الضبابية المثلثية" (Triangular Fuzzy Rescaling Distance). ويكمن الابتكار الجوهري في عملهم في أنهم لا يعاملون المقارنة كعملية من خطوتين حيث يتم تنظيف البيانات أولاً ثم قياسها، بل قاموا بدمج عملية تنظيف البيانات مباشرة في عملية القياس نفسها. فبينما يتم حساب المسافة، تقوم الطريقة تلقائياً بتعديل القيم لتصل إلى مقياس مشترك ومحايد، مما يضمن أن الرقم الكبير في فئة ما لا يهيمن بشكل غير عادل على رقم صغير في فئة أخرى. وهذا يسمح بإجراء مقارنة عادلة لمجموعات البيانات المعقدة والمختلطة دون الحاجة إلى خطوات معالجة مسبقة منفصلة وعرضة للخطأ.

لقد أثبت الباحثون أن هذه الطريقة سليمة رياضياً، حيث تستوفي جميع القواعد الصارمة المطلية لمقياس مسافة موثوق. فهي تعمل بشكل يمكن التنبؤ به: المسافة لا تكون سالبة أبداً، وتكون صفراً فقط عندما يكون الشيئان اللذان تتم مقارنتهما متطابقين، وتتبع القاعدة المنطقية التي تنص على أن المسار من النقطة (أ) إلى النقطة (ج) لا يمكن أن يكون أقصر من المرور عبر النقطة (ب). والأهم من ذلك، أن الطريقة محصنة ضد الاختيارات التعسفية للمقياس أو نقطة البداية؛ فسواء قِيست البيانات بالآلاف أو الملايين، أو سواء بدأ المقياس من الصفر أو من مائة، فإن المسافة الناتجة تظل كما هي. كما تضمن الطة أن النتيجة النهائية ستقع دائماً ضمن نطاق محدد ومفهوم، مما يسهل تفسير درجة الاختلاف بين مجموعتين من المعلومات.

ولإثبات قوة هذا النهج، طبق الفريق سيناريو افتراضياً يتضمن أداء الاستدامة لخمس مدن مختلفة. وقد قيموا كل مدينة بناءً على خمس مؤشرات متميزة، مثل انبعاثات ثاني أكسيد الكربون، والوصة إلى المساحات الخضراء، واستخدام وسائل النقل العام. وكانت لهذه المؤشرات وحدات ونطاقات مختلفة تماماً، من النسب المئوية إلى الأطنان سنوياً. ومن خلال استخدام مقياس المسافة الجديد الخاص بهم، تمكن الباحثون من حساب مدى بعد كل مدينة عن الحالة المثالية والمثالية للاستدامة. وأظهرت النتائج أن الطريقة يمكنها التعامل مع هذه البيانات المتنوعة بسلاسة، مما أنتج تصنيفاً واضحاً للمدن. كما كشونت الدراسة أن التصنيف النهائي يمكن أن يتغير اعتماداً على الوزن المعطى لأكبر التباينات، مما يوفر لصناع القرار وسيلة ليس فقط لمعرفة متوسط الأداء، بل أيضاً لتحديد نقاط الضعف الحرجة في مجالات محددة.

يوفر هذا العمل أداة قوية لأي شخص يحاول اتخاذ قرارات باستخدام بيانات غير مؤكدة أو مختلطة. فمن خلال دمج تطبيع البيانات (normalization) مباشرة في حساب المسافة، تزيل "مسافة إعادة القياس الضبابية المثلثية" التحيز الناتج عن اختلاف الوحدات والمقاييس. وهي تسمح ببناء مؤشرات تركيبية تعكس بدقة الواقع المعقد، مثل جودة الحياة أو الصحة الاقتصادية، دون تشويه الصورة. وبينما صُممت الطريقة الحالية خصيصاً للأرقام الضبابية المثلثية، فإن نجاحها يشير إلى مسار واعد للتعامل مع المعلومات غير الدقيقة في مجالات تتراوح من تعلم الآلة إلى صنع السياسات، مما يوفر رؤية أوضح للمسافة بين مكاننا الحالي وما نريد الوصول إليه.

ملخص تقني: مسافة إعادة القياس المثلثية الضبابية

بيان المشكلة
يعتمد اتخاذ القرار في الأنظمة المعقدة بشكل متكرر على معلومات غير دقيقة أو غير مؤكدة، والتي تُنمذج غالباً باستخدام الأعداد الضبابية المثلثية (TFNs). ويتمثل التحدي الحرج في تطبيق الأساليب الضبابية في قياس المسافة بين هذه الأعداد، لا سيما عند التعامل مع سمات متباينة تمتلك مقاييس أو وحدات أو نطاقات مختلفة. تفترض مقاييس المسافة التقليدية غالباً مقاييس موحدة، مما يستليزم مرحلة تطبيع (Normalization) أولية. ويمكن أن يؤدي هذا الفصل إلى إدخال تحيزات أو تشوهات، خاصة في سياقات بناء المؤشرات الاصطناعية أو دعم القرار متعدد المعايير حيث تكون تباينات البيانات متأصلة.

المنهجية
تقترح الورقة البحثية مسافة إعادة القياس المثلثية الضبابية ( $d_{TR}$ )، وهي مقياس مبتكر مصمم لمقارنة $n$ -tuples من الأعداد الضبابية المثلثية. وبخلاف النهج التقليدية التي تقوم بتطبيع البيانات قبل حساب المسافة، تدمج $d_{TR}$ بشكل فريد إعادة القياس الخطي (LRE) مباشرة داخل صيغة المسافة.

تُعرَّف المسافة لـ $n$ -tuples من الأعداد الضبابية المثلثية، $\tilde{f}$ و $\tilde{f}^*$ ، حيث يقع كل مكون $\tilde{f}_i = (f_i^{(1)}, f_i^{(2)}, f_i^{(3)})$ ضمن فاصل زمني محدد $[a_i, b_i]$ . وتُحسب المسافة كما يلي:

$d_{TR}(\tilde{f}, \tilde{f}^*) = \frac{M}{4} \left( \sum_{i=1}^{n} \omega_i \left( \frac{|f_i^{*(1)} - f_i^{(1)}| + 2|f_i^{*(2)} - f_i^{(2)}| + |f_i^{*(3)} - f_i^{(3)}|}{b_i - a_i} \right)^\lambda \right)^{1/\lambda}$

حيث أن:

$\omega_i$ هو متجه أوزان ( $\sum \omega_i = 1$ ).
$\lambda \geq 1$ هو معامل يتحكم في الحساسية تجاه التفاوتات الكبيرة.
$M > 0$ هو معامل قياس يحدد الحد الأعلى.
المصطلح $(b_i - a_i)$ في المقام يقوم بإجراء إعادة القياس الخطي، مما يؤدي فعلياً إلى تطبيع الفرق بين مكونات العدد الضبابي المثلثي بالنسبة لنطاق مجالها المحدد.

المساهمات الرئيسية والخصائص النظرية
أثبت المؤلفون رسمياً أن $d_{TR}$ تستوفي بديهيات الفضاء المتري وتمتلك عدة خصائص متميزة:

خصائص المقياس (Metric Properties): أثبتت الورقة أن $d_{TR}$ تستوفي خصائص عدم السلبية، وتمايز الهوية، والتماثل، ومتباينة المثلث (التي تم إثباتها عبر متباينة مينكوفسكي).
المحدودية (Boundedness): المسافة محدودة بدقة ضمن الفترة $[0, M]$ ، بغض النظر عن القيم المدخلة، بشرط وقوعها ضمن الفواصل الزمنية المعرفة لها.
ثبات المقياس (Scale Invariance): يظل المقياس دون تغيير إذا تم قياس كل من الأعداد الضبابية المثلثية والفواصل الزمنية المعرفة لها بمعامل ثابت موجب.
ثبات الأصل (Origin Invariance): لا يتأثر المقياس إذا تم إزاحة كل من الأعداد الضبابية المثلثية وفواصلها الزمنية بقيمة ثابتة.
التطبيع المتأصل (Inherent Normalization): يقوم المقياس بطبيعته بتطبيع القيم المميزة من خلال آلية LRE، مما يلغي الحاجة إلى خطوات معالجة مسبقة منفصلة.

النتائج والتطبيق
تحقق الورقة من صحة $d_{TR}$ من خلال عرضين رئيسيين:

مثال عددي: عملية حسابية لـ $n=2$ توضح التطبيق خطوة بخطوة لصيغة المسافة من بيانات الأعداد الضبابية المثلثية الخام عبر فواصل زمنية مختلفة.
دراسة حالة (تقييم الاستدامة): تم تطبيق المقياس لتقييم خمس مدن افتراضية مقابل ملف استدامة مثالي عبر خمسة مؤشرات (مثل انبعاثات ثاني أكسيد الكربون، المساحات الخضراء، عدم المساواة في الدخل) ذات وحدات ونطاقات متباينة تماماً.
- أظهرت النتائج أن $d_{TR}$ تنتج قيماً ضمن النطاق $[0, 100]$ (مع $M=100$ )، مما يسمح بالتفسير المباشر كنسبة مئوية للانحراف عن الحالة المثالية.
- تسلط الدراسة الضوء على دور المعامل $\lambda$ . توفر قيم $\lambda$ المنخفضة (مثل $\lambda=1, 2$ ) تجميعاً متوازناً للانحرافات، بينما تزيد قيم $\lambda$ العالية (مثل $\lambda=500$ ) من الحساسية تجاه أكبر تفاوت منفرد. وهذا يسمح لصناع القرار بالكشف عن نقاط الضعف الحرجة حتى عندما تكون المؤشرات الأخرى قوية.
- يتغير ترتيب المدن بناءً على $\lambda$ ، مما يوضح مرونة المقياس في تحديد أولويات استراتيجيات اتخاذ القرار المختلفة (سواء كانت متوازنة أو تركز على الحالة الأسوأ).

الأهمية والادعاءات
تدعي الورقة أن $d_{TR}$ تقدم حلاً قوياً للتعامل مع البيانات الضبابية المتباينة دون الحاجة إلى تطبيع خارجي. وتكمن أهميتها الأساسية في قدرتها على:

تخفيف التحيزات الناتجة عن اختلاف المقاييس والوحدات في البيانات.
العمل كآلية تجميع لبناء المؤشرات الاصطناعية (مثل مؤشرات الاستدامة، أو مقاييس جودة الحياة).
القابلية للتطبيق في خوارزميات التعلم الآلي القائمة على المسافة وطرق دعم القرار متعدد المعايير (مثل TOPSIS).
الحفاظ على تعقيد حسابي خطي من الرتبة $O(n)$ .

يقر المؤلفون بوجود حدود، مشيرين إلى أن الصيغة الحالية مخصصة للأعداد الضبابية المثلثية (TFNs) وقد لا تنطبق مباشرة على التمثيلات الضبابية الأخرى (مثل الأعداد شبه المنحرفة أو الغاوسية). ويقترحون أن العمل المستقبلي يجب أن يركز على التحقق التجريبي في سيناريوهات واقعية متنوعة، ومقارنة الأداء مع المقاييس الموجودة، وتوسيع النطاق ليشمل أنواعاً أخرى من الأعداد الضبابية.

أبحاث مشابهة