الانتباه الديناميكي متعدِّد الأبعاد لتنبُّؤ السلاسل الزمنية متعددة المتغيرات

تُثبت النماذج القائمة على آلية الانتباه فاعليتها الكبيرة في تحديد المتغيّرات المتأخّرة ذات التأثير الأهم في توقع السلاسل الزمنية متعددة المتغيرات. غير أنّ النماذج الحالية توظّف أوزاناً ثابتة ولا تأخذ في الحسبان الطبيعة الديناميكية للتنبؤات عند التوقع لعدّة خطوات مستقبليّة في سلاسل زمنية غير متجانسة. لمعالجة هذا القصور، تقترح هذه الورقة نموذج الانتباه الديناميكي متعدّد الأبعاد (MDA) الذي يحسب أهمية المتغيّرات المتأخّرة بصورة متكيّفة. يدمج النموذج:

-وحدة تعلّم تمثيل ديناميكي Dynamic Representation Learner
-حسابات انتباه متعددة تراعي ديناميكيات التنبؤ، والمعلومات الزمنية، وعلاقات الاعتماد بين المتغيرات.

أُجريت تجارب موسَّعة على بيانات تركيبية وبيانات حقيقية، فأظهرت أنّ MDA يتفوّق على الأساليب الحديثة في توقع السلاسل الزمنية غير المتجانسة بنمط تسلسل-إلى-تسلسل (seq-to-seq) في معظم الحالات، مع تحسينات تصل إلى 33 ٪ في بعض مجموعات البيانات الواقعية. كذلك يحدّد النموذج الميزات الرئيسة بدقّة، ما يبرز جدواه ليس للتنبؤ فقط، بل أيضاً لمهام تحليل سلاسل زمنية أخرى تتطلب تفسيراً أفضل للأهمية المتغيرة-زمنياً.

تؤكّد النتائج أنّ آلية الانتباه المقترحة تُعدّ نهجاً واعداً لتعزيز الدقة وقابلية التفسير في تطبيقات السلاسل الزمنية متعددة المتغيرات، ويمكن توسيعها لتدعم مهاماً تحليلية إضافية تتجاوز التنبؤ. المزيد