التنبؤ بالسلسلة الزمنية المُنظَّمة دون افتراض هيكلية

إن تنبؤ السلاسل الزمنية يُعد مشكلة شائعة ومُستَudَة جيدًا، وله تطبيقات في مجالات متعددة (الطب، العلوم الجيولوجية، تحليل الشبكات، المالية، الاقتصاد الإحصائي، إلخ). وفي حالة السلاسل الزمنية متعددة المتغيرات، فإن المفتاح لتحقيق أداء جيد يكمن في التقاط الترابطات بين المتغيرات بشكل مناسب. غالبًا ما تكون هذه المتغيرات منظمة هيكليًا، أي أنها مُركّزة في فضاء افتراضي، يمثل عادةً جانبًا من جوانب العالم المادي، ويتمثل التنبؤ في شكل انتشار للمعلومات عبر هذا الفضاء مع مرور الزمن. وقد تم اقتراح العديد من النماذج الشبكية العصبية التي تعكس عملية الانتشار في الأدبيات. ومع ذلك، تعتمد معظم الاقتراحات الحالية على معرفة مسبقة بالهيكلية الخاصة بالفضاء، غالبًا ما تُقدَّم على شكل رسم بياني (Graph) يُوزِّع أوزانًا على القدرة التبادلية بين النقاط المزدوجة. ونُقدّم رأينا بأن هذه المعلومة يمكن غالبًا التخلي عنها، لأن البيانات نفسها تحتوي بالفعل على معلومات حول قدرة الانتشار، وبشكل أكثر موثوقية مقارنةً بالمخططات التي تُبنى يدويًا بشكل كبير. لذلك، نقترح نموذجًا يعتمد تمامًا على البيانات، ولا يعتمد على رسم بياني من هذا القبيل، ولا على أي معلومات هيكلية مسبقة أخرى. ونُجري مجموعة أولى من التجارب لقياس التأثير الناتج عن استخدام معلومة هيكلية مسبقة، كما تُستخدم في النماذج الأساسية، ونُظهر أن هذه المعلومة تظل ضئيلة تقريبًا، باستثناء في مستويات بيانات منخفضة جدًا، وأنها قد تصبح ضارة فعليًا بعد تجاوز حد معين. ثم نستكشف، من خلال مجموعة ثانية من التجارب، قدرة نموذجنا من ناحيتين: التعامل مع البيانات المفقودة، والتكيف بين المجالات (Domain Adaptation).