فصل المكونات الهيكلية: نحو تنبؤات زمنية تكيفية وقابلة للتفسير وقابلة للتوسع

تُعد التنبؤ بالسلسلة الزمنية متعددة المتغيرات (MTS) مشكلة أساسية ومحورية في العديد من التطبيقات الواقعية. وتشكل المشكلة الأساسية في التنبؤ بسلسلة MTS كيفية نمذجة الأنماط المكانية-الزمنية المعقدة بشكل فعّال. في هذه الورقة، نطور إطارًا تنبؤيًا متكيفًا وقابلًا للتفسير وقابلًا للتوسع، يهدف إلى نمذجة كل مكوّن من مكونات الأنماط المكانية-الزمنية بشكل منفصل. ونسمي هذا الإطار SCNN، باعتباره اختصارًا لـ "الشبكة العصبية القائمة على المكونات المُنظَّمة" (Structured Component-based Neural Network). يعمل إطار SCNN وفقًا لعملية توليد مُحددة مسبقًا للسلسلة الزمنية متعددة المتغيرات، والتي تُعرّف رياضيًا البنية الخفية للأنماط المكانية-الزمنية. وباتباع العملية العكسية، يُفكّك SCNN بيانات MTS إلى مكونات منظمة ومتفاوتة، ثم يُستنتج تطور هذه المكونات بشكل منفصل، حيث تكون ديناميكيات هذه المكونات أكثر قابلية للتتبع والتنبؤ من البيانات الأصلية لـ MTS. وقد أجريت تجارب واسعة لتأكيد أن SCNN يمكنه تحقيق أداءً متفوقًا مقارنةً بالنماذج الرائدة في مجال التنبؤ على ثلاث مجموعات بيانات واقعية. بالإضافة إلى ذلك، قمنا بتحليل SCNN بمختلف التكوينات، وقمنا بتحليل متعمق للخصائص المميزة لهذا الإطار.