ForecastGrapher: إعادة تعريف التنبؤ بالسلسلة الزمنية متعددة المتغيرات باستخدام الشبكات العصبية الرسومية

يظل التحدي المتمثل في تعلّم العلاقات المتسلسلة بين السلاسل الزمنية متعددة المتغيرات بشكل فعّال مشكلة كبيرة وغير محلولة حتى الآن. تفشل النماذج العميقة التقليدية، التي تعتمد إلى حد كبير على نموذج المُحَوِّل (Transformer) لنمذجة التسلسلات الطويلة، في دمج المعلومات من عدة سلاسل زمنية ضمن نموذج متماسك وقابل للتطبيق بشكل عام. ولسد هذه الفجوة، نقدّم في هذا البحث إطارًا يُسمّى ForecastGrapher، الذي يعيد تصور التنبؤ بالسلاسل الزمنية متعددة المتغيرات كمهمة انحدار على العقد، مما يفتح طريقًا فريدًا لالتقاط الديناميكيات الزمنية المعقدة والعلاقات بين السلاسل. يعتمد نهجنا على ثلاث خطوات محورية: أولاً، إنشاء تمثيلات عقد مخصصة (node embeddings) تعكس التغيرات الزمنية داخل كل سلسلة؛ ثانيًا، بناء مصفوفة مجاورة تكيفية (adaptive adjacency matrix) لترميز العلاقات بين السلاسل؛ وثالثًا، تعزيز القدرة التعبيرية لشبكات العقد الرسومية (GNNs) من خلال تنويع توزيع ميزات العقد. ولتعزيز هذه القدرة التعبيرية، نقدّم نموذجًا يُسمّى GFC-GNN (شبكة عقد رسومية ذات تدوير ميزات مجموعات). يستخدم هذا النموذج مُحدّدًا قابلًا للتعلم لتقسيم ميزات العقد إلى مجموعات متعددة، ثم يطبّق تحويلات أحادية البُعد (convolutions ذات أطوال نوى مختلفة) على كل مجموعة قبل مرحلة التجميع. وبهذا، يُثري نهج GFC-GNN تنوع توزيع ميزات العقد بطريقة كاملة ومتسلسلة من البداية إلى النهاية (end-to-end). من خلال تجارب واسعة ودراسات تحليلية (ablation studies)، نُظهر أن ForecastGrapher يتفوّق على النماذج القوية والتقنيات المنشورة الرائدة في مجال التنبؤ بالسلاسل الزمنية متعددة المتغيرات.