MMFNet: شبكة عصبية للكشف عن الترددات متعددة المقياس للتنبؤ بالسلاسل الزمنية المتعددة المتغيرات

يُعد التنبؤ بسلسلة زمنية طويلة الأجل (LTSF) أمرًا بالغ الأهمية لتطبيقات عديدة في العالم الحقيقي، مثل تخطيط استهلاك الكهرباء، والتوقعات المالية، وتحليل انتشار الأمراض. ويُطلَب من نماذج التنبؤ بسلسلة زمنية طويلة الأجل استيعاب الاعتماديات على المدى الطويل بين المدخلات والنتائج، وهو ما يشكل تحديات كبيرة بسبب الديناميكيات الزمنية المعقدة والمتطلبات الحسابية العالية. ورغم أن النماذج الخطية تقلل من تعقيد النموذج من خلال استخدام تحليل المجال الترددي، فإن النماذج الحالية غالبًا ما تفترض الثبات (stationarity) وتُزيل المكونات عالية التردد التي قد تحتوي على تقلبات قصيرة الأجل الحاسمة. في هذا البحث، نقدّم MMFNet، نموذجًا جديدًا مصممًا لتعزيز التنبؤ متعدد المتغيرات على المدى الطويل من خلال الاستفادة من نهج تحليل الترددات المُقنَّع متعدد المقاييس. يُمكّن MMFNet من التقاط الأنماط الزمنية الدقيقة، والمتناهية الوسط، والشاملة من خلال تحويل سلسلة زمنية إلى أجزاء تردديّة عند مقاييس مختلفة، مع استخدام قناع قابل للتعلم لتصفية المكونات غير ذات صلة بشكل تكيفي. وقد أظهرت التجارب الواسعة على مجموعات بيانات معيارية أن MMFNet لا يعالج فقط القيود الموجودة في الأساليب الحالية، بل يحقق أيضًا أداءً متميزًا بشكل متسق. وبشكل خاص، يحقق MMFNet خفضًا يصل إلى 6.0% في متوسط مربع الخطأ (MSE) مقارنةً بالنماذج الرائدة في مجال التنبؤ متعدد المتغيرات.