صعود نماذج الأساس الزمني للتحليل والتنبؤ بالبيانات

السلاسل الزمنية التنبؤ يلعب دورًا حيويًا في عمليات اتخاذ القرارات الحاسمة عبر مختلف القطاعات مثل التجزئة والمالية والتصنيع والرعاية الصحية. ومع ذلك، مقارنة بمجالات مثل معالجة اللغة الطبيعية و التعرف على الصور، فإن دمج تقنيات الذكاء الاصطناعي المتقدمة في التنبؤ بالسلاسل الزمنية كان بطيئًا نسبيًا. على الرغم من أن النماذج الأساسية قد حققت تقدمًا كبيرًا في مجالات مثل معالجة اللغة الطبيعية والتعرف على الصور، فإن تأثيرها على التنبؤ بالسلاسل الزمنية كان محدودًا حتى وقت قريب. ومع ذلك، هناك الآن زخم متزايد في تطوير النماذج الأساسية المخصصة خصيصًا للتنبؤ بالسلاسل الزمنية. سيتم مناقشة المشهد المتطور للنماذج الأساسية للتنبؤ بالسلاسل الزمنية في هذا المقال، مع استكشاف التطورات الحديثة في هذا المجال.

التنبؤ بالسلاسل الزمنية والتطبيقات

تُشير البيانات الزمنية إلى تسلسل من النقاط البيانية التي يتم جمعها أو تسجيلها في فترات زمنية منتظمة. هذا النوع من البيانات شائع في مختلف المجالات، مثل الاقتصاد والطقس والصحة وغيرها. كل نقطة بيانات في السلسلة الزمنية تحمل علامة زمنية، ويتم استخدام التسلسل لتحليل الاتجاهات والأنماط والتباينات الموسمية بمرور الوقت.

يتضمن التنبؤ بالسلاسل الزمنية استخدام البيانات التاريخية للتنبؤ بالقيم المستقبلية في السلسلة. إنها طريقة حرجة في الإحصاء والتعلم الآلي تساعد في اتخاذ قرارات مدروسة بناءً على الأنماط السابقة. يمكن أن يكون التنبؤ بسيطًا مثل إسقاط نفس معدل النمو في المستقبل أو معقدًا مثل استخدام نماذج الذكاء الاصطناعي للتنبؤ بالاتجاهات المستقبلية بناءً على الأنماط المعقدة والعوامل الخارجية.

بعض تطبيقات التنبؤ بالسلاسل الزمنية هي كما يلي:

• الأسواق المالية: في المالية، يتم استخدام التنبؤ بالسلاسل الزمنية للتنبؤ بأسعار الأسهم ورسوم الصرف والاتجاهات السوقية. يستخدم المستثمرين والanalysts البيانات التاريخية للتنبؤ بالحركات المستقبلية واتخاذ قرارات التداول.
• التنبؤ بالطقس: تستخدم الإدارات الجوية البيانات الزمنية للتنبؤ بالظروف الجوية. من خلال تحليل البيانات الجوية السابقة، يتم التنبؤ بالأنماط الجوية المستقبلية، مما يساعد في التخطيط وعمليات اتخاذ القرارات للزراعة والسفر وإدارة الكوارث.
• المبيعات والتسويق: تستخدم الشركات التنبؤ بالسلاسل الزمنية للتنبؤ بالمبيعات والطلب والسلوك الاستهلاكي. يساعد ذلك في إدارة المخزون ووضع أهداف المبيعات وتطوير الاستراتيجيات التسويقية.
• قطاع الطاقة: يتم استخدام التنبؤ بالسلاسل الزمنية في شركات الطاقة للتنبؤ بالطلب والتوريد. يساعد التنبؤ بالسلاسل الزمنية في التنبؤ بأنماط استهلاك الطاقة، مما يسمح بإدارة الطاقة الفعالة والتخطيط.
• الرعاية الصحية: في قطاع الرعاية الصحية، يتم استخدام التنبؤ بالسلاسل الزمنية للتنبؤ بالتفشي الأوبئة والقبول المرضي ومتطلبات المخزون الطبي. يساعد ذلك في التخطيط الصحي وتخصيص الموارد وصنع السياسات.

نماذج الأساس الزمني

تُعد النماذج الأساسية نماذج شاملة ومسبقة التدريب تشكل الأساس للعديد من تطبيقات الذكاء الاصطناعي. يتم تدريبها على مجموعات بيانات كبيرة ومتنوعة، مما يسمح لها بفهم الأنماط والاتصالات والهياكل داخل البيانات. يشير المصطلح “الأساسي” إلى قدرتهم على التعديل أو التخصيص لمهام أو مجالات معينة بتدريب إضافي قليل. في سياق التنبؤ بالسلاسل الزمنية، يتم بناء هذه النماذج بشكل مشابه للنماذج اللغوية الكبيرة (LLMs)، باستخدام هياكل التحويل. مثل LLMs، يتم تدريبها على التنبؤ بالعنصر التالي أو المفقود في تسلسل البيانات. ومع ذلك، على عكس LLMs، التي تعالج النص ككلمات فرعية من خلال طبقات التحويل، تعامل النماذج الأساسية للسلاسل الزمنية مع تسلسلات النقاط الزمنية المستمرة كtokens، مما يسمح لها بمعالجة البيانات الزمنية بشكل متسلسل.

تم تطوير نماذج أساسية مختلفة最近 للبيانات الزمنية. مع فهم أفضل واختيار النموذج الأساسي المناسب، يمكننا استغلال قدراتها بشكل أكثر فعالية وفعالية. في الأقسام التالية، سنستكشف النماذج الأساسية المختلفة المتاحة لتحليل البيانات الزمنية.

• TimesFM: تم تطويره بواسطة Google (GOOGL ) Research، TimesFM هو نموذج أساسي مكون من 200 مليون معامل. يتم تدريبه على مجموعة بيانات تضم 100 مليار نقطة زمنية حقيقية، وتشمل البيانات الاصطناعية والفعلية من مصادر متنوعة مثل Google Trends ووikipedia Pageviews. يمكن لـ TimesFM التنبؤ بzero-shot في قطاعات متعددة، بما في ذلك التجزئة والمالية والتصنيع والرعاية الصحية والعلوم الطبيعية، عبر دقائق زمنية مختلفة. يخطط Google لإطلاق TimesFM على منصة Google Cloud Vertex AI، مما يوفر ميزات التنبؤ المتقدمة للعملاء الخارجيين.
• Lag-Llama: تم إنشاؤه بواسطة باحثين من Université de Montréal وMila-Québec AI Institute وMcGill University، Lag-Llama هو نموذج أساسي مخصص للتنبؤ بالسلاسل الزمنية الاحتمالية أحادية المتغير. يتم بناؤه على أساس Llama، ويتضمن نموذج Lag-Llama هيكلاً مكونًا من معاملات متغيرة الحجم وذات دقائق زمنية مختلفة للتنبؤ. يتم تدريبه على مجموعات بيانات زمنية متنوعة من مصادر مختلفة عبر ست مجموعات مختلفة، بما في ذلك الطاقة والنقل والاقتصاد والطبيعة وجودة الهواء وعمليات السحابة. يمكن الوصول إلى نموذج Lag-Llama بسهولة من خلال مكتبة Huggingface.
• Moirai: تم تطويره بواسطة Salesforce (CRM ) AI Research، Moirai هو نموذج أساسي زمني مخصص للتنبؤ العالمي. يتم تدريبه على مجموعة بيانات Large-scale Open Time Series Archive (LOTSA)، التي تحتوي على 27 مليار ملاحظة من تسع مجالات متميزة، مما يجعله أكبر مجموعة من مجموعات البيانات الزمنية المفتوحة. تسمح هذه المجموعة البيانات المتنوعة لـ Moirai بالتعلم من مجموعة واسعة من البيانات الزمنية، مما يسمح لها بالتعامل مع مهام التنبؤ المختلفة. يستخدم Moirai طبقات مشروع الحجم المتعدد للتقاط الأنماط الزمنية عبر ترددات مختلفة. جانب مهم من Moirai هو استخدام آلية الانتباه المتغيرة، مما يسمح بالتنبؤ عبر أي عدد من المتغيرات. يتم توفير رمز نموذج Moirai وأوزان النموذج والبيانات المرتبطة به في مستودع GitHub يسمى “uni2ts“

• Chronos: تم تطويره بواسطة Amazon (AMZN ) ، Chronos هو مجموعة من النماذج الاحتمالية المسبقة التدريب للتنبؤ بالسلاسل الزمنية. يتم بناؤه على هيكل T5، ويستخدم نموذج Chronos مفردات تضم 4096 token، ويحتوي على معاملات مختلفة، تتراوح من 8 ملايين إلى 710 مليون. يتم تدريب Chronos على مجموعة بيانات عامة واصطناعية تم إنشاؤها من العمليات الغاوسية. يختلف Chronos عن TimesFM في أنه نموذج معملي-مفسر، مما يسمح باستخراج التضمينات من البيانات الزمنية. يمكن دمج Chronos بسهولة في بيئة Python ويمكن الوصول إليه عبر واجهة برمجة التطبيقات.

• Moment: تم تطويره بشكل مشترك بواسطة جامعة كارنيجي ميلون وجامعة بنسيلفانيا، Moment هو عائلة من النماذج الأساسية الزمنية المفتوحة. يستخدم إصدارات مختلفة من هيكل T5، بما في ذلك الإصدارات الصغيرة والأساسية والكبيرة، ويحتوي نموذج Moment على حوالي 125 مليون معامل. يتم تدريب النموذج على “Time-series Pile” الشامل، وهو مجموعة متنوعة من البيانات الزمنية العامة التي تغطي مجالات مختلفة. على عكس العديد من النماذج الأساسية الأخرى، يتم تدريب Moment على مجموعة واسعة من المهام، مما يعزز فعالية النموذج في التطبيقات مثل التنبؤ والتصنيف واكتشاف الشذوذ والإكمال. يتم توفير المستودع الكامل لغة Python وкод دفتر الملاحظات على GitHub للوصول إلى النموذج.

النقطة الأساسية

التنبؤ بالسلاسل الزمنية هو أداة حاسمة في مختلف المجالات، من المالية إلى الرعاية الصحية، مما يسمح باتخاذ قرارات مدروسة بناءً على الأنماط التاريخية. تقدم النماذج الأساسية المتقدمة مثل TimesFM وChronos وMoment وLag-Llama وMoirai قدرات متقدمة، مستفيدة من هياكل التحويل ومجموعات بيانات التدريب المتنوعة للتنبؤ الدقيق والتحليل. توفر هذه النماذج نظرة على مستقبل تحليل السلاسل الزمنية، مما يمنح الأعمال والباحثين أدوات قوية للتنقل في المناظير البيانية المعقدة بفعالية.