يُعدّ التنبؤ بالسلاسل الزمنية نوعًا من تقنيات التعلّم الآلي والتحليل الإحصائي، حيث يستخدم بيانات السلاسل الزمنية التاريخية لاستنتاج الاتجاهات أو الحالات المستقبلية. وتعتمد هذه التقنية عادةً على سجلات بيانات السلاسل الزمنية، وتحلل الاتجاهات والدورية والموسمية والأنماط الشاذة لبناء نماذج تنبؤية تُقدّر التغيرات المحتملة في البيانات خلال فترة زمنية مستقبلية. ويُستخدم التنبؤ بالسلاسل الزمنية على نطاق واسع في التحليل الاقتصادي، وإدارة الطاقة، والتنبؤات الجوية، والمراقبة الصناعية، وتخصيص الموارد.

يتمتع التنبؤ بالسلاسل الزمنية بتاريخ طويل، ويمكن تتبع أسسه النظرية إلى أساليب تحليل السلاسل الزمنية في الإحصاء، مثل الأساليب الكلاسيكية كنموذج الانحدار الذاتي (AR) ونموذج المتوسط المتحرك (MA) ونموذج ARIMA. تتنبأ هذه الأساليب بالحالات المستقبلية من خلال تحديد الأنماط الإحصائية في تغيرات البيانات عبر الزمن. ومع تطور التعلم الآلي والتعلم العميق، بدأ الباحثون باستخدام نماذج الشبكات العصبية لرصد التبعيات الزمنية غير الخطية الأكثر تعقيدًا، مما دفع التنبؤ بالسلاسل الزمنية من النمذجة الإحصائية إلى الأساليب القائمة على البيانات.

في عام 2021، نشر باحثون من جامعة بكين للملاحة الجوية والفضائية، وجامعة كاليفورنيا في بيركلي، ومؤسسات أخرى ورقة بحثية... المُخبِر: ما وراء المُحوِّل الفعال للتنبؤ بالسلاسل الزمنية الطويلة تقترح هذه الورقة البحثية نموذج "المُخبِر" (Informer)، الذي يتناول تحديات التكلفة الحسابية العالية وصعوبة نمذجة التبعيات بعيدة المدى في مهام التنبؤ بالسلاسل الزمنية الطويلة باستخدام نموذج "المُحوِّل" (Transformer). وتُقدِّم الورقة أساليب مثل آلية الانتباه المُتفرق (ProbSparse Attention) وآليات التقطير لتحسين كفاءة نموذج "المُحوِّل" في التعامل مع مهام السلاسل الطويلة. وقد أصبح هذا البحث من أهم الأعمال الرائدة في مجال التنبؤ بالسلاسل الزمنية الطويلة باستخدام نموذج "المُحوِّل".

تتعلم نماذج التنبؤ الحديثة بالسلاسل الزمنية عادةً الاتجاهات والموسمية والتغيرات الدورية والعلاقات بين المتغيرات من البيانات التاريخية. وبحسب المهمة، يمكن لهذه النماذج استخدام الأساليب الإحصائية، وأساليب التعلم الآلي، والشبكات العصبية المتكررة (RNNs)، والشبكات العصبية الالتفافية (CNNs)، ونماذج المحولات، ومؤخرًا، النماذج الأساسية للسلاسل الزمنية واسعة النطاق. يعالج التنبؤ بالسلاسل الزمنية في المقام الأول مشكلة تقدير الحالات المستقبلية في الأنظمة الديناميكية، مما يُمكّن الحواسيب من إجراء التحليلات واتخاذ القرارات بناءً على البيانات المتاحة. حاليًا، تُستخدم هذه التقنية على نطاق واسع في تحليل الأسواق المالية، والتنبؤ بالطقس، والتنبؤ بأحمال الطاقة، والتنبؤ بتدفق حركة المرور، وإدارة سلاسل التوريد، وصيانة المعدات الصناعية، حيث توفر دعمًا بالبيانات لتخطيط الأنظمة المعقدة وتحسينها.