DOI: https://doi.org/10.1080/24754269.2026.2633813
تاريخ النشر: 2026-04-03
المؤلف: Seyedeh Azadeh Fallah Mortezanejad وآخرون
الموضوع الرئيسي: تحليل السلاسل الزمنية والتنبؤ
نظرة عامة
تتناول الورقة الحاجة المتزايدة لأساليب التحليل المتقدمة في سياق بيانات السلاسل الزمنية (TS)، المدفوعة بالتقدم التكنولوجي. وتؤكد على الاعتماد المتزايد للأنظمة الإدارية الحديثة على تقنيات معالجة البيانات الفعالة وتبرز انتشار أساليب التعلم الآلي (ML) لتحليل السلاسل الزمنية والتنبؤ بها. يقوم المؤلفون بتجميع ومقارنة خوارزميات مختلفة لمهام الانحدار في السلاسل الزمنية مقابل الطريقة التقليدية ARIMA، باستخدام مجموعات بيانات متنوعة تشمل بيانات كاملة، وبيانات تحتوي على قيم شاذة، وبيانات تحتوي على قيم مفقودة. التركيز الأساسي هو على دقة التنبؤ، لا سيما للتنبؤات طويلة الأجل، مما يوفر رؤى حول اختيار الخوارزمية بناءً على احتياجات التنبؤ المحددة وخصائص البيانات.
في الختام، يقوم المؤلفون بإجراء مراجعة شاملة لخوارزميات التعلم الآلي المناسبة لتنبؤ السلاسل الزمنية، وتنفيذها على ثلاث مجموعات بيانات مختارة: واحدة تحتوي على بيانات كاملة، وواحدة تحتوي على قيم شاذة، وواحدة تحتوي على قيم مفقودة. تكشف نتائجهم أن خوارزمية LightGBM تتفوق باستمرار على الآخرين من حيث دقة التنبؤ وسرعة التنفيذ عبر جميع مجموعات البيانات. بالإضافة إلى ذلك، تشير التحليلات إلى أن التجميعات المعتمدة على الأشجار، وN-BEATS، وCNN، وTCN، وGNN، وDeepAR، وخوارزميات التعلم المعزز تظهر أيضًا أداءً تنبؤيًا قويًا، لا سيما في السيناريوهات الصعبة التي تتضمن قيم شاذة وبيانات مفقودة. ومع ذلك، يشير المؤلفون إلى أن خوارزميات أخرى قد تتطلب مزيدًا من الاهتمام لضبط المعلمات الفائقة وهندسة الميزات لتحقيق الأداء الأمثل. تعتبر هذه الدراسة مصدرًا قيمًا للممارسين الذين يعملون مع بيانات السلاسل الزمنية، حيث تقدم إرشادات حول اختيار الأساليب التحليلية المناسبة المصممة لتلبية احتياجات تحليل البيانات الخاصة بهم.
مقدمة
تستعرض مقدمة هذه الورقة البحثية أهمية وتطبيقات بيانات السلاسل الزمنية (TS)، التي تتكون من نقاط بيانات مرتبة زمنيًا بفواصل زمنية متسقة. وتؤكد على أهمية السلاسل الزمنية متعددة المتغيرات، حيث يتم قياس عدة متغيرات مترابطة في نفس الوقت، مشيرة إلى أمثلة مثل بيانات الطقس وأسعار الأسهم. تعتبر هذه المجموعات البيانية حاسمة في اتخاذ القرارات عبر مختلف القطاعات، بما في ذلك الزراعة والمالية وإدارة الطاقة. تبرز الورقة التقدم في تحليل السلاسل الزمنية، لا سيما من خلال تطوير تقنيات التعلم الآلي الحديثة (ML) والمكتبات التي تعزز أداء التنبؤ والنمذجة للسلاسل الزمنية.
تتم مناقشة المساهمات الرئيسية من الأبحاث السابقة، بما في ذلك تقديم الشبكة التلافيفية الزمنية الحديثة (ModernTCN) من قبل لو ووانغ (2024)، التي تتفوق على النماذج التلافيفية التقليدية في مهام السلاسل الزمنية. تشير الورقة أيضًا إلى مجموعة متنوعة من هياكل التعلم العميق التي تمت مراجعتها من قبل توريس وآخرين (2021) وتطوير مكتبات متخصصة مثل tslearn وPyTS لتحليل السلاسل الزمنية. يهدف المؤلفون إلى تجميع تقنيات التعلم الآلي الفعالة لمهام الانحدار في السلاسل الزمنية، مقارنتها بالنماذج التقليدية مثل ARIMA، التي تتطلب غالبًا إعداد بيانات مكثف. يتم توضيح هيكل الورقة، مع تفاصيل حول أقسام مفاهيم السلاسل الزمنية، واختيار الميزات، وخوارزميات الانحدار، والتعامل مع القيم الشاذة، والبيانات المفقودة، ونتائج دراسات الحالة، مما يوضح في النهاية فعالية التعلم الآلي في معالجة التحديات المتعلقة بالسلاسل الزمنية.
الطرق
في قسم الطرق، يناقش المؤلفون تطبيق أساليب التجميع المعتمدة على الأشجار لتنبؤ السلاسل الزمنية (TS)، مع تسليط الضوء على شعبيتها المتزايدة بسبب فعاليتها في إدارة العلاقات غير الخطية والتقاط تفاعلات الميزات. تشمل هذه الأساليب، التي تتضمن خوارزميات مثل Random Forest (RF)، وExtreme Gradient Boosting (XGBoost)، وLight Gradient-Boosting (LightGBM)، بناء عدة أشجار قرار وتجميع تنبؤاتها لتعزيز الدقة وتقليل الإفراط في التكيف.
يؤكد المؤلفون أن هذه النماذج تتفوق في تحديد الأنماط المعقدة المتأصلة في البيانات الزمنية، بما في ذلك الموسمية، والاتجاهات، والسلوك الدوري. بالنسبة لمهام الانحدار في تنبؤ السلاسل الزمنية، ينتج عن مخرجات التجميع قيمة مستمرة تشير إلى الحالة المستقبلية المتوقعة للسلسلة الزمنية. بالإضافة إلى ذلك، يلاحظون أهمية تقنيات هندسة الميزات—مثل تضمين القيم المتأخرة، والإحصائيات المتدحرجة، والمتحولات الخارجية—في تحسين دقة التنبؤ.
المناقشة
تؤكد قسم المناقشة في الورقة على الدور الحاسم للاستقرارية في تحليل السلاسل الزمنية (TS)، معرفًا إياها من خلال الخصائص الإحصائية مثل المتوسط، والتباين، والتلقائية التي تظل ثابتة مع مرور الوقت. يحدد المؤلفون طرقًا لتقييم الاستقرارية، بما في ذلك الفحص البصري عبر مخططات السلاسل الزمنية والتعريفات الرياضية. يميزون بين الاستقرارية الصارمة والضعيفة، حيث يتم تطبيق الأخيرة بشكل أكثر شيوعًا في الممارسة. تتم مناقشة مؤشرات عدم الاستقرارية مثل الاتجاهات، والموسمية، وعدم التجانس، جنبًا إلى جنب مع تقنيات تحويل السلاسل الزمنية غير المستقرة إلى أشكال مستقرة، بما في ذلك الفرق والتحويلات اللوغاريتمية. يبرز القسم أيضًا أهمية اختيار النموذج، مؤكدًا أن طرق التنبؤ التقليدية مثل ARIMA وSARIMA تتطلب فحوصات تشخيصية دقيقة لضمان الملاءمة المناسبة والاستقرارية.
علاوة على ذلك، تستكشف الورقة مزايا خوارزميات التعلم الآلي (ML) على الطرق التقليدية للسلاسل الزمنية، لا سيما في التعامل مع الأنماط المعقدة وغير الخطية ودمج عدة متنبئين. تؤكد على ضرورة هندسة الميزات لتطبيقات التعلم الآلي، موضحة تقنيات مثل إنشاء ميزات متأخرة وإحصائيات متدحرجة لتعزيز أداء النموذج. تصنف المناقشة مجموعة متنوعة من خوارزميات التعلم الآلي المناسبة لتنبؤ السلاسل الزمنية، بما في ذلك الشبكات العصبية التكرارية (RNNs)، وشبكات الذاكرة طويلة وقصيرة الأجل (LSTM)، ونماذج متخصصة مثل Facebook Prophet وTemporal Fusion Transformer (TFT). يتم فحص نقاط القوة والضعف لكل خوارزمية، مع التركيز على قابليتها للتطبيق على أنواع مختلفة من بيانات السلاسل الزمنية. يختتم القسم بالإشارة إلى التحديات المرتبطة بضبط المعلمات الفائقة والمتطلبات الحاسوبية للنماذج المتقدمة، مؤكدًا على الحاجة إلى اعتبار دقيق في تنفيذها لتحقيق التنبؤ الفعال.
DOI: https://doi.org/10.1080/24754269.2026.2633813
Publication Date: 2026-04-03
Author(s): Seyedeh Azadeh Fallah Mortezanejad et al.
Primary Topic: Time Series Analysis and Forecasting
Overview
The paper addresses the growing need for advanced analytical methods in the context of Time Series (TS) data, driven by technological advancements. It emphasizes the increasing reliance of modern management systems on efficient data processing techniques and highlights the prevalence of Machine Learning (ML) approaches for TS analysis and forecasting. The authors compile and compare various algorithms for TS regression tasks against the traditional ARIMA method, utilizing diverse datasets that include complete data, data with outliers, and data with missing values. The primary focus is on forecasting accuracy, particularly for long-term predictions, providing insights into algorithm selection based on specific forecasting needs and data characteristics.
In the conclusion, the authors conduct a thorough review of ML algorithms suitable for TS forecasting, implementing them on three selected datasets: one with complete data, one with outliers, and one with missing values. Their findings reveal that the LightGBM algorithm consistently outperforms others in terms of prediction accuracy and execution speed across all datasets. Additionally, the analysis indicates that tree-based ensembles, N-BEATS, CNN, TCN, GNN, DeepAR, and reinforcement learning algorithms also exhibit strong predictive performance, particularly in challenging scenarios involving outliers and missing data. However, the authors note that other algorithms may require more attention to hyper-parameter tuning and feature engineering to achieve optimal performance. This research serves as a valuable resource for practitioners working with TS data, offering guidance on selecting appropriate analytical methods tailored to their specific data analysis needs.
Introduction
The introduction of this research paper outlines the significance and applications of time series (TS) data, which consists of chronologically indexed data points with consistent time intervals. It emphasizes the relevance of multivariate TS, where multiple interrelated variables are measured simultaneously, citing examples such as weather data and stock prices. These datasets are crucial for decision-making across various sectors, including agriculture, finance, and energy management. The paper highlights advancements in TS analysis, particularly through the development of modern machine learning (ML) techniques and libraries that enhance the performance of TS forecasting and modeling.
Key contributions from prior research are discussed, including the introduction of the Modern Temporal Convolutional Network (ModernTCN) by Luo and Wang (2024), which outperforms traditional convolutional models in TS tasks. The paper also references various deep learning architectures reviewed by Torres et al. (2021) and the development of specialized libraries like tslearn and PyTS for TS analysis. The authors aim to compile effective ML techniques for TS regression tasks, contrasting them with traditional models like ARIMA, which often require extensive data preparation. The structure of the paper is outlined, detailing sections on TS concepts, feature selection, regression algorithms, outlier handling, missing data, and case study results, ultimately demonstrating the efficacy of ML in addressing TS-related challenges.
Methods
In the section on Methods, the authors discuss the application of tree-based ensemble methods for time series (TS) forecasting, highlighting their growing popularity due to their effectiveness in managing nonlinear relationships and capturing feature interactions. These methods, which include algorithms such as Random Forest (RF), Extreme Gradient Boosting (XGBoost), and Light Gradient-Boosting (LightGBM), construct multiple decision trees and aggregate their predictions to enhance accuracy and mitigate overfitting.
The authors emphasize that these models excel in identifying complex patterns inherent in temporal data, including seasonality, trends, and cyclical behavior. For regression tasks in TS forecasting, the ensemble output yields a continuous value indicative of the predicted future state of the time series. Additionally, they note the significance of feature engineering techniques—such as incorporating lagged values, rolling statistics, and external regressors—in improving forecast precision.
Discussion
The discussion section of the paper emphasizes the critical role of stationarity in time series (TS) analysis, defining it through statistical properties such as mean, variance, and autocorrelation that remain consistent over time. The authors outline methods for assessing stationarity, including visual inspection via time series plots and mathematical definitions. They distinguish between strict and weak stationarity, with the latter being more commonly applied in practice. Non-stationarity indicators such as trends, seasonality, and heteroskedasticity are discussed, along with techniques for transforming non-stationary TS into stationary forms, including differencing and log transformations. The section also highlights the importance of model selection, emphasizing that traditional forecasting methods like ARIMA and SARIMA require careful diagnostic checks to ensure proper fit and stationarity.
Furthermore, the paper explores the advantages of machine learning (ML) algorithms over traditional TS methods, particularly in handling complex, nonlinear patterns and incorporating multiple predictors. It underscores the necessity of feature engineering for ML applications, detailing techniques such as creating lagged features and rolling statistics to enhance model performance. The discussion categorizes various ML algorithms suitable for TS forecasting, including Recurrent Neural Networks (RNNs), Long Short-Term Memory (LSTM) networks, and specialized models like Facebook Prophet and Temporal Fusion Transformer (TFT). Each algorithm’s strengths and weaknesses are examined, with a focus on their applicability to different types of TS data. The section concludes by noting the challenges associated with hyper-parameter tuning and the computational demands of advanced models, emphasizing the need for careful consideration in their implementation for effective forecasting.