تُهمّ فقط شكل المنحنى: تدريب النماذج الأساسية للتنبؤ بالسلاسل الزمنية متعددة المتغيرات بدون عينات من خلال توقع شكل المنحنى التالي

نقدّم نموذج Transformer الزمني العام (GTT)، وهو نموذج أساسي من نوع المشفر فقط (encoder-only) للتنبؤ بسلسلة زمنية متعددة المتغيرات دون الحاجة إلى تدريب مسبق (zero-shot). تم تدريب GTT على مجموعة بيانات ضخمة تضم 200 مليون عينة عالية الجودة من السلاسل الزمنية التي تمتد عبر مجالات متنوعة. في الإطار المُقترح، يتم صياغة مهمة التنبؤ بسلسلة زمنية متعددة المتغيرات على شكل مشكلة تنبؤ بالشكل التالي للمنحنى (next curve shape) على مستوى كل قناة، حيث تمثل كل عينة من السلاسل الزمنية تسلسلاً من أشكال منحنية غير متداخلة، بقيمة عددية موحدة. يتم تدريب GTT على توقع الشكل التالي للمنحنى بناءً على نافذة من الأشكال السابقة للمنحنى، وبشكل فردي لكل قناة. تُظهر النتائج التجريبية أن GTT يتمتع بقدرات متفوقة في التنبؤ بسلسلة زمنية متعددة المتغيرات دون تدريب مسبق على مجموعات بيانات غير مرئية، حتى أنه يتفوق على أحدث النماذج المدربة بطرق مراقبة (supervised baselines). بالإضافة إلى ذلك، قمنا بدراسة تأثير تغير معلمات نموذج GTT ومقاييس حجم مجموعة التدريب، ولاحظنا أن قانون التوسع (scaling law) يظل سارياً في سياق التنبؤ بسلسلة زمنية متعددة المتغيرات دون تدريب مسبق.