هل مامبا فعّال في التنبؤ بالسلاسل الزمنية؟

في مجال التنبؤ بسلسلة زمنية (TSF)، من الضروري أن تتمكن النماذج من تمييز الأنماط المخفية داخل بيانات السلاسل الزمنية التاريخية واستخلاصها بدقة للتنبؤ بالحالة المستقبلية. تُظهر النماذج المستندة إلى مُحَوِّل (Transformer) كفاءة عالية في مهام التنبؤ بسلسلة زمنية، ويعود ذلك بشكل رئيسي إلى قدرتها الفائقة على فهم هذه الأنماط. ومع ذلك، فإن التعقيد التربيعي المُصاحب لمحول يُعد سببًا في انخفاض الكفاءة الحسابية وارتفاع التكاليف، مما يُعيق إلى حد ما تطبيق نماذج التنبؤ بسلسلة زمنية في السياقات الواقعية. في الآونة الأخيرة، اكتسب نموذج "مابا" (Mamba)، وهو نموذج فضاء حالة انتقائي، شعبية متزايدة بفضل قدرته على معالجة الاعتماديات في التسلسلات مع الحفاظ على تعقيد قريب من الخطي، ما يُمكّنها من فهم الأنماط المخفية بشكل يشبه مُحَوِّل، مع تقليل الحمل الحسابي مقارنةً بمحول. لذلك، نقترح نموذجًا مبنيًا على مابا يُسمى "سيمبل-مابا" (S-Mamba) لمهام التنبؤ بسلسلة زمنية. بشكل محدد، نقوم بتقسيم نقاط الزمن لكل متغير بشكل مستقل باستخدام طبقة خطية. كما نستخدم طبقة مابا ثنائية الاتجاه لاستخلاص الارتباطات بين المتغيرات، ونُعدّ طبقة شبكة تغذية أمامية (Feed-Forward Network) لتعلم الاعتماديات الزمنية. وأخيرًا، نُنتج النتائج التنبؤية من خلال طبقة تحويل خطي. أثبتت التجارب على ثلاثة عشر مجموعة بيانات عامة أن S-Mamba يُحافظ على حمل حسابي منخفض ويحقق أداءً مُتقدّمًا مقارنةً بالمنافسين. علاوةً على ذلك، أجرينا تجارب واسعة لاستكشاف الإمكانات الحقيقية لنموذج مابا في مهام التنبؤ بسلسلة زمنية. يمكن الوصول إلى الشفرة المصدرية الخاصة بنا من خلال الرابط التالي: https://github.com/wzhwzhwzh0921/S-D-Mamba.