https://sarabic.ae/20260804/علماء-رياضيات-روس-يطورون-طريقة-أسرع-وأبسط-لتحسين-التنبؤات-بالسلاسل-الزمنية-1115769001.html
علماء رياضيات روس يطورون طريقة أسرع وأبسط لتحسين التنبؤات بالسلاسل الزمنية
علماء رياضيات روس يطورون طريقة أسرع وأبسط لتحسين التنبؤات بالسلاسل الزمنية
سبوتنيك عربي
طور باحثون في مركز الذكاء الاصطناعي بجامعة موسكو الحكومية طريقة إحصائية تُحسّن التنبؤات بالبيانات سريعة التغير دون الاعتماد على الشبكات العصبية المعقدة،وتعتمد... 04.08.2026, سبوتنيك عربي
2026-08-04T18:40+0000
2026-08-04T18:40+0000
2026-08-04T18:40+0000
مجتمع
العالم
علوم
روسيا
جامعات روسية
أخبار الأبحاث العلمية
ذكاء اصطناعي
تنبؤات
https://cdn.img.sarabic.ae/img/103797/03/1037970385_3:0:1919:1078_1920x0_80_0_0_8b2ce49d7ef916f7ebe226848cf5ab34.jpg
ما هي السلسلة الزمنية؟السلسلة الزمنية هي سلسلة من القياسات التي يتم جمعها على مدار فترة زمنية، ومن أمثلتها حركة مرور شبكات الاتصالات، والظروف الجوية، وأسعار صرف العملات، وقراءات المعدات، وغيرها من القيم التي تتغير من قياس لآخر.وتعدّ كثافة حركة البيانات في شبكات المعلومات والاتصالات مثالًا واضحًا على ذلك، إذ يمكن أن يرتفع أو ينخفض عدد الطلبات الواردة بشكل غير متوقع، ما يصعّب تحديد مقدار القدرة الحاسوبية المطلوبة في اللحظة التالية.إعادة بناء الخصائص الخفية للبياناتتعامل فريق جامعة موسكو الحكومية مع السلاسل الزمنية المرصودة على أنها قيم ناتجة عن عملية رياضية عشوائية من نوع "إيتو"، حيث تصف هذه العمليات أنظمة تحتوي على مُكوّن مُوجّه، يعكس الاتجاه أو المسار الأساسي، ومُكوّن عشوائي، يُمثّل التقلبات غير المتوقعة.في العديد من النماذج التقليدية، يُفترض أن المعاملات الرياضية التي تصف هذين المُكوّنين تتبع شكلًا معروفًا، بينما يُركّز البحث الجديد على حالة أكثر عمومية وتعقيدًا، حيث تكون المعاملات غير معروفة وقد تتصرف عشوائيًا.يصف المؤلفون هذه الخصائص بأنها المشتقات شبه الأولية والثانوية للسلسلة الزمنية الأصلية، وتشير هذه المقارنة إلى دور المشتقات في الرياضيات، حيث تصف سرعة تغير كمية ما وكيفية تطور معدل هذا التغير نفسه.بالنسبة للسلاسل الزمنية المتقطعة، توفر هذه الخصائص المُعاد بناؤها معلومات تُشبه "متسلسلة تايلور" المألوفة، والتي تُستخدم عادةً لتقريب دالة متصلة من قيمتها الحالية ومعدلات تغيرها،وبإضافة معلومات مماثلة إلى نموذج التنبؤ، يُمكن لهذه الطريقة تمثيل الديناميكيات المحلية للبيانات غير المستقرة بشكل أكثر شمولاً.تحسين نموذج تنبؤ موجودبدلاً من إنشاء شبكة عصبية ضخمة من البداية، أضاف الباحثون المعاملات المُعاد بناؤها إلى نموذج انحدار ذاتي أساسي. يتنبأ نموذج الانحدار الذاتي بقيمة مستقبلية من خلال الملاحظات السابقة في السلسلة نفسها، فعلى سبيل المثال، قد يُقدّر حركة مرور الشبكة غدًا باستخدام حركة المرور المسجلة خلال فترات سابقة متعددة.هذا النهج بسيط وشائع الاستخدام، ولكنه قد يواجه صعوبةً مع البيانات غير المستقرة، أي التي يتغير سلوكها بمرور الوقت. توفر الميزات الجديدة معلومات إضافية حول الحركة الكامنة وعشوائية العملية، ما يسمح للنموذج بالتكيف بفعالية أكبر مع هذه التغيرات.أهمية تجنب الشبكات العصبية المعقدةيعتمد التنبؤ الحديث بشكل متزايد على أنظمة التعلم العميق، ولكن هذه النماذج قد تتطلب مجموعات بيانات ضخمة، وموارد حاسوبية كبيرة، ووقتًا طويلًا للتدريب، وإعدادات دقيقة.وفقًا لفيكتور كوروليف، رئيس مجموعة البحث ورئيس قسم الإحصاء الرياضي في كلية الرياضيات الحاسوبية وعلم التحكم الآلي بجامعة موسكو الحكومية، فإن الطريقة المقترحة بسيطة وسريعة التنفيذ، مع تجنب الحاجة إلى بنى الشبكات العصبية المعقدة.ولا تقتصر هذه الطريقة على حركة الاتصالات فحسب، إذ يُستخدم التنبؤ بالسلاسل الزمنية في العديد من المجالات، ويمكن للخصائص المُعاد بناؤها أن تُعزز النماذج المستخدمة في الرصد التقني، والملاحظات البيئية، والمؤشرات الاقتصادية، وغيرها من البيانات المتسلسلة، مع العلم أن كل تطبيق يتطلب اختبارًا منفصلاً.يعتزم الباحثون تحسين دقة هذه الطريقة وتقييمها على سلاسل زمنية من نطاق أوسع من المجالات العملية، وبالتالي، يُقدم هذا العمل أداة رياضية عامة تُكمّل تقنيات التنبؤ المُعتمدة من خلال استخلاص المزيد من المعلومات من البيانات المُتاحة.المصدر: | بوابة روسيا العلمية |
https://sarabic.ae/20260723/باحثون-يطورون-ذكاء-اصطناعي-توليدي-قادر-على-تصميم-بلورات-جديدة-باستخدام-التعلم-المعزز-1115451092.html
https://sarabic.ae/20260804/4-بكسلات-دفعة-واحدة-علماء-روس-يبتكرون-تقنية-لمعالجة-الصور-بسرعة-قياسية-1115756414.html
سبوتنيك عربي
feedback.arabic@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
2026
سبوتنيك عربي
feedback.arabic@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
الأخبار
ar_EG
سبوتنيك عربي
feedback.arabic@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
سبوتنيك عربي
feedback.arabic@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
العالم, علوم, روسيا, جامعات روسية, أخبار الأبحاث العلمية, ذكاء اصطناعي, تنبؤات
العالم, علوم, روسيا, جامعات روسية, أخبار الأبحاث العلمية, ذكاء اصطناعي, تنبؤات
علماء رياضيات روس يطورون طريقة أسرع وأبسط لتحسين التنبؤات بالسلاسل الزمنية
طور باحثون في مركز الذكاء الاصطناعي بجامعة موسكو الحكومية طريقة إحصائية تُحسّن التنبؤات بالبيانات سريعة التغير دون الاعتماد على الشبكات العصبية المعقدة،وتعتمد هذه الطريقة على إعادة بناء الخصائص الخفية لعملية عشوائية، وإضافتها كميزات تنبؤية جديدة، ما يُساعد النماذج الحالية على تقدير القيمة التالية والاتجاه المحتمل للتغير بدقة أكبر.
السلسلة الزمنية هي سلسلة من القياسات التي يتم جمعها على مدار فترة زمنية، ومن أمثلتها حركة مرور شبكات الاتصالات، والظروف الجوية، وأسعار صرف العملات، وقراءات المعدات، وغيرها من القيم التي تتغير من قياس لآخر.
يعدّ التنبؤ بهذه القيم أمرًا بالغ الأهمية لإدارة أنظمة الحوسبة والاتصالات والأنظمة التقنية، لأن المشغلين غالبًا ما يحتاجون إلى توقع الطلب المستقبلي، واكتشاف السلوك غير المعتاد، أو تعديل الموارد قبل تغير الظروف. مع ذلك، نادرًا ما تكون السلاسل الزمنية في العالم الحقيقي مستقرة، إذ يُمكن أن تحتوي على تحولات مفاجئة، وتقلبات عشوائية، وأنماط تعتمد على الحالة الراهنة للنظام.
وتعدّ كثافة حركة البيانات في شبكات المعلومات والاتصالات مثالًا واضحًا على ذلك، إذ يمكن أن يرتفع أو ينخفض عدد الطلبات الواردة بشكل غير متوقع، ما يصعّب تحديد مقدار القدرة الحاسوبية المطلوبة في اللحظة التالية.
إعادة بناء الخصائص الخفية للبيانات
تعامل فريق جامعة موسكو الحكومية مع السلاسل الزمنية المرصودة على أنها قيم ناتجة عن عملية رياضية عشوائية من نوع "إيتو"، حيث تصف هذه العمليات أنظمة تحتوي على مُكوّن مُوجّه، يعكس الاتجاه أو المسار الأساسي، ومُكوّن عشوائي، يُمثّل التقلبات غير المتوقعة.
في العديد من النماذج التقليدية، يُفترض أن المعاملات الرياضية التي تصف هذين المُكوّنين تتبع شكلًا معروفًا، بينما يُركّز البحث الجديد على حالة أكثر عمومية وتعقيدًا، حيث تكون المعاملات غير معروفة وقد تتصرف عشوائيًا.
طوّر الباحثون طريقة إحصائية لإعادة بناء هذه المعاملات الخفية مباشرةً من البيانات المرصودة، ويمكن استخدام القيم المُستعادة كخصائص إضافية تكشف المزيد عن كيفية تغيّر السلسلة.
يصف المؤلفون هذه الخصائص بأنها المشتقات شبه الأولية والثانوية للسلسلة الزمنية الأصلية، وتشير هذه المقارنة إلى دور المشتقات في الرياضيات، حيث تصف سرعة تغير كمية ما وكيفية تطور معدل هذا التغير نفسه.
بالنسبة للسلاسل الزمنية المتقطعة، توفر هذه الخصائص المُعاد بناؤها معلومات تُشبه "متسلسلة تايلور" المألوفة، والتي تُستخدم عادةً لتقريب دالة متصلة من قيمتها الحالية ومعدلات تغيرها،وبإضافة معلومات مماثلة إلى نموذج التنبؤ، يُمكن لهذه الطريقة تمثيل الديناميكيات المحلية للبيانات غير المستقرة بشكل أكثر شمولاً.
بدلاً من إنشاء شبكة عصبية ضخمة من البداية، أضاف الباحثون المعاملات المُعاد بناؤها إلى نموذج انحدار ذاتي أساسي. يتنبأ نموذج الانحدار الذاتي بقيمة مستقبلية من خلال الملاحظات السابقة في السلسلة نفسها، فعلى سبيل المثال، قد يُقدّر حركة مرور الشبكة غدًا باستخدام حركة المرور المسجلة خلال فترات سابقة متعددة.
هذا النهج بسيط وشائع الاستخدام، ولكنه قد يواجه صعوبةً مع البيانات غير المستقرة، أي التي يتغير سلوكها بمرور الوقت. توفر الميزات الجديدة معلومات إضافية حول الحركة الكامنة وعشوائية العملية، ما يسمح للنموذج بالتكيف بفعالية أكبر مع هذه التغيرات.
أظهرت الاختبارات على بيانات حقيقية تحسنًا ملحوظًا في جودة التنبؤ، حيث أدى إضافة الميزات المُعاد بناؤها إلى تقليل أخطاء التنبؤ للسلاسل الزمنية المدروسة وزيادة دقة النموذج في تحديد ما إذا كان التغير التالي سيتجه صعودًا أم هبوطًا.
أهمية تجنب الشبكات العصبية المعقدة
يعتمد التنبؤ الحديث بشكل متزايد على أنظمة التعلم العميق، ولكن هذه النماذج قد تتطلب مجموعات بيانات ضخمة، وموارد حاسوبية كبيرة، ووقتًا طويلًا للتدريب، وإعدادات دقيقة.
وفقًا لفيكتور كوروليف، رئيس مجموعة البحث ورئيس قسم الإحصاء الرياضي في كلية الرياضيات الحاسوبية وعلم التحكم الآلي بجامعة موسكو الحكومية، فإن الطريقة المقترحة بسيطة وسريعة التنفيذ، مع تجنب الحاجة إلى بنى الشبكات العصبية المعقدة.
هذا الأسلوب مفيد في الحالات التي تتطلب إنتاج تنبؤات بكفاءة، أو عندما تكون موارد الحوسبة محدودة، أو عندما يرغب المتخصصون في نموذج يسهل تحليل بنيته الرياضية مقارنةً بالشبكات العصبية الكبيرة.
ولا تقتصر هذه الطريقة على حركة الاتصالات فحسب، إذ يُستخدم التنبؤ بالسلاسل الزمنية في العديد من المجالات، ويمكن للخصائص المُعاد بناؤها أن تُعزز النماذج المستخدمة في الرصد التقني، والملاحظات البيئية، والمؤشرات الاقتصادية، وغيرها من البيانات المتسلسلة، مع العلم أن كل تطبيق يتطلب اختبارًا منفصلاً.
يعتزم الباحثون تحسين دقة هذه الطريقة وتقييمها على سلاسل زمنية من نطاق أوسع من المجالات العملية، وبالتالي، يُقدم هذا العمل أداة رياضية عامة تُكمّل تقنيات التنبؤ المُعتمدة من خلال استخلاص المزيد من المعلومات من البيانات المُتاحة.
