نماذج التعلم العميق الواعية بعدم اليقين لتنبؤ السلاسل الزمنية الدالية

الملخص

     يُعد التنبؤ الدقيق وقابلية التفسير للسلاسل الزمنية الدالية أمرًا بالغ الأهمية في المجالات التي تعتمد على بيانات مستمرة، مثل أنظمة الطاقة، والرعاية الصحية، والمالية. وعلى الرغم من أن نماذج التعلم العميق قد حققت نتائج مبهرة في مهام التنبؤ بالسلاسل الزمنية، إلا أنها غالبًا ما تفتقر إلى آليات دقيقة لتقدير عدم اليقين في التنبؤ، مما يقلل من موثوقيتها في التطبيقات الواقعية.
تقترح هذه الورقة إطارًا جديدًا للتعلم العميق الواعي بعدم اليقين للتنبؤ بالسلاسل الزمنية الدالية. تم استكشاف ثلاث طرق لتقدير عدم اليقين، وهي: الإسقاط العشوائي بطريقة مونت كارلو (Monte Carlo Dropout)، والتجميعات العميقة (Deep Ensembles)، والانحدار الكمي (Quantile Regression) المُدمج في نماذج LSTM وTransformer. تم التعامل مع البيانات الدالية من خلال تحويل المنحنيات إلى شكل رقمي، وإجراء التنبؤ باستخدام نماذج التسلسل إلى التسلسل (sequence-to-sequence). أظهرت النتائج التجريبية على بيانات استهلاك الكهرباء الواقعية أن النماذج الواعية بعدم اليقين فعّالة ليس فقط من حيث دقة التنبؤ، بل أيضًا من حيث تقديم فترات ثقة مُعايرة بشكل جيد. وقد حققت التجميعات العميقة مع نموذج Transformer أفضل توازن بين الدقة وحدّة (ضيّق) عدم اليقين. كما كشفت التصويرات، بما في ذلك الرسومات المتحركة والتفاعلية، كيف يتغير عدم اليقين بمرور الزمن ويعزز قابلية التفسير. تدعم هذه النتائج اعتماد التنبؤ الدالي الواعي بعدم اليقين في التطبيقات الحساسة التي تتطلب الثقة والمتانة.