تقييم النماذج العميقة للتعلم في التنبؤ بسلسلة زمنية متعددة الخطوات إلى الأمام

تُعد توقعات السلاسل الزمنية باستخدام الشبكات العصبية محورًا للعديد من الدراسات خلال العقود القليلة الماضية. وبفضل الثورة الحديثة في التعلم العميق، انصبّ الاهتمام الكبير على استخدام نماذج التعلم العميق في توقعات السلاسل الزمنية، مما يجعل من الضروري تقييم نقاط القوة والضعف في هذه النماذج. في هذا البحث، نقدم دراسة تقييمية تقارن أداء النماذج العصبية العميقة في التوقعات متعددة المراحل للسلاسل الزمنية. تشمل النماذج العصبية العميقة شبكات التكرار البسيطة، وشبكات الذاكرة القصيرة الطويلة (LSTM)، وشبكات LSTM ثنائية الاتجاه، وشبكات LSTM المُشفّرة-المُفكّكة، بالإضافة إلى الشبكات العصبية التلافيفية (CNN). كما نقدم مقارنة إضافية مع الشبكات العصبية البسيطة التي تستخدم خوارزمي التدرج العشوائي التدرجي (SGD) وتقدير اللحظة التكيفية (Adam) في التدريب. ونركّز على السلاسل الزمنية أحادية المتغيرات في التوقعات متعددة المراحل باستخدام مجموعات بيانات معيارية للسلاسل الزمنية، مع تقديم مقارنة إضافية للنتائج مع الأساليب ذات الصلة المنشورة في الأدبيات العلمية. تُظهر النتائج أن شبكات LSTM ثنائية الاتجاه وشبكات LSTM المُشفّرة-المُفكّكة تُقدّم أفضل أداء من حيث الدقة في حل المشكلات الزمنية المعطاة.