الربط بين البساطة والتعقيد باستخدام GLinear: هندسة جديدة لتحسين التنبؤ بالسلسلة الزمنية

تنبؤ السلاسل الزمنية (TSF) هو تطبيق مهم في العديد من المجالات. هناك نقاش حول ما إذا كانت النماذج التحويلية (Transformers)، رغم قدرتها على فهم التتابعات الطويلة، تعاني من صعوبة الحفاظ على العلاقات الزمنية في بيانات السلسلة الزمنية. تشير البحوث الحديثة إلى أن النماذج الخطية البسيطة قد تتفوق أو على الأقل توفر أداءً تنافسياً مقارنة بالنماذج التحويلية المعقدة في مهام تنبؤ السلاسل الزمنية. في هذا البحث، نقترح هندسة جديدة فعالة من حيث البيانات، وهي GLinear، لتنبؤ السلاسل الزمنية المتعددة المتغيرات التي تستفيد من الأنماط الدورية لتوفير دقة أفضل. كما توفر هذه الهندسة دقة تنبؤ أعلى باستخدام كمية أقل من البيانات التاريخية مقارنة بالمحققات الخطية الرائدة الأخرى. تم استخدام أربعة مجموعات بيانات مختلفة (ETTh1، الكهرباء، المرور، والطقس) لتقييم أداء المحقق المقترح. يظهر مقارنة الأداء مع الهياكل الخطية الرائدة (مثل NLinear، DLinear، وRLinear) ومع المحقق التحويلي للسلاسل الزمنية (Autoformer) أن GLinear، رغم كفاءتها في عدد المعلمات، تتفوق بشكل كبير على الهياكل الموجودة في معظم حالات تنبؤ السلاسل الزمنية المتعددة المتغيرات. نأمل أن يفتح GLinear المقترح جبهات جديدة للبحث والتطوير في مجال تصميم هياكل بسيطة وأكثر تعقيداً لتحليل السلاسل الزمنية الفعال من حيث البيانات والحاسب الآلي.