تستخدم نماذج التعلم العميق في مراقبة البيئة اعتمادًا على الملاحظات السابقة مدخلات للتنبؤ، أو على قيم مستنبطة ذات عدم يقين مرتفع، ويشيع في عملية نمذجة هذه النماذج وبنائها تطبيق مخطط الإزاحة الزمنية عند التنبؤ بالسلاسل الزمنية متعددة المتغيرات، غير أن اختيار الإزاحات يدويًا يحد من كفاءة التدريب، إذ إن هندسة الخصائص التكيفية عبر مخطط إزاحة مؤتمت ضرورية لتحسين كفاءة تدريب النماذج، وتنطلق هذه الدراسة من ملاحظة أن دقة التنبؤ في نماذج الشبكات العصبية الاصطناعية للسلاسل الزمنية متعددة المتغيرات يمكن أن تتحسن بإدراج مزيد من الخصائص، وأن توقيت التأثير المتبادل بين أي زوج من العناصر وزمن إزاحته يختلفان من زوج إلى آخر، ما يستدعي نهجًا تكيفيًا متعدد المستويات لمعالجة الإزاحات بدل التعامل الموحد معها
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تطوير مخطط إزاحة متعدد المستويات بوصفه نهجًا تكيفيًا يحسن كفاءة تدريب نماذج التعلم العميق في السلاسل الزمنية متعددة المتغيرات، واعتمدت منهجية شاملة شملت مراجعة الأدبيات واستكشاف الجبهات التقنية ذات الصلة ودراسات الجدوى واختيار الحلول وتصميمها والنمذجة وجمع البيانات ومعالجتها الأولية وإجراء التجارب والتقويم والتحليل الشامل واستخلاص الاستنتاجات، وقدمت الدراسة إثباتًا للمفهوم عبر حالة عملية لنموذج موسمي من نماذج الشبكات العصبية للسلاسل الزمنية متعددة المتغيرات وخدمة عامة للتنبيه بجودة الهواء، واستخدمت نماذج الانحدار الذاتي المتكامل والمتوسط المتحرك خطًا أساسيًا للمقارنة، كما استخدمت مجموعة بيانات عامة من أكثر من محطتي رصد أساسيتين تتفاوت فيهما مستويات التلوث من المنخفض إلى المرتفع وتمتدان من المناطق الجنوبية إلى الشمالية في مدينة صغيرة
ثانيًا: أبرز النتائج
أظهر تحليل النتائج التجريبية المتعددة أن الحل المقترح يحسن بفعالية كفاءة تدريب النموذج، إذ يتيح مخطط الإزاحة متعدد المستويات للنماذج أن تستخدم تكيفيًا البيانات المقاسة السابقة المزاحة زمنيًا مدخلات لها، بدل الإدخال المتزامن لقيم تنبؤ مستقبلية، وهو ما يعزز القدرة التنبؤية العملية للنموذج على نحو كبير، وبذلك تعالج الدراسة قصور الممارسة الشائعة التي تفترض تزامنًا موحدًا في التأثيرات المتبادلة بين عناصر السلسلة، بينما الواقع أن لكل زوج من العناصر توقيته وإزاحته الخاصة، ومن خلال أتمتة اختيار الإزاحات عبر مستويات متعددة يتحرر بناء النماذج من التقدير اليدوي المكلف ويصبح أكثر ملاءمة لطبيعة البيانات البيئية المعقدة المتغيرة عبر الزمن والمواقع المختلفة
ثالثًا: دلالات الدراسة وتطبيقاتها
تكمن أهمية نتائج الدراسة في قابليتها للتطبيق على خدمات التنبيه بجودة الهواء والمراقبة البيئية عمومًا، حيث تتطلب القرارات الوقائية تنبؤات دقيقة وسريعة التحديث بمستويات التلوث، فكلما ارتفعت كفاءة تدريب النماذج ودقتها التنبؤية تحسنت قدرة الجهات المعنية على إصدار تنبيهات مبكرة واتخاذ تدابير لحماية الصحة العامة، كما يفيد النهج المقترح مطوري نماذج السلاسل الزمنية في مجالات أخرى تتسم ببيانات متعددة المتغيرات وعلاقات إزاحة غير متجانسة، إذ يقدم إطارًا منهجيًا لهندسة خصائص تكيفية بدل الاعتماد على اختيارات ثابتة، ويمهد ذلك لنماذج تنبؤ أكثر واقعية تستثمر البنية الزمنية الحقيقية للبيانات، وتفتح الباب أمام تحسينات لاحقة في أتمتة بناء نماذج التعلم العميق للبيانات البيئية
وتبرز قيمة هذا العمل أيضًا في سياق توسع استخدام شبكات الرصد البيئي ومحطات قياس جودة الهواء التي تنتج تدفقات ضخمة من البيانات متعددة المتغيرات على مدار الساعة، إذ تحتاج نماذج التنبؤ العاملة عليها إلى تحديث مستمر وتدريب سريع لمواكبة تغير الأنماط الموسمية والظروف الجوية، وكل تحسين في كفاءة التدريب ينعكس مباشرة على سرعة إصدار التنبيهات ودقتها، كما أن التعامل الواقعي مع اختلاف توقيتات التأثير بين الملوثات والمتغيرات الجوية يرفع واقعية النموذج في تمثيل الظواهر البيئية، إذ لا تستجيب تركيزات الملوثات للتغيرات الجوية لحظيًا بل عبر إزاحات زمنية متفاوتة يلتقطها المخطط المقترح ويوظفها بدل تجاهلها أو افتراض تزامنها
ويمتد أثر هذا التحسين إلى خفض الكلف الحاسوبية والزمنية لبناء النماذج، ما يتيح إعادة تدريبها بتكرار أعلى واستجابة أسرع لتغير أنماط التلوث عبر الفصول والمناطق المختلفة
وخلاصة القول إن مخطط الإزاحة متعدد المستويات يحقق قفزة عملية في كفاءة تدريب نماذج التعلم العميق للسلاسل الزمنية متعددة المتغيرات، لأنه يقر بأن التأثيرات المتبادلة بين العناصر لا تحدث في توقيت واحد، ويتيح للنموذج استخدام البيانات السابقة المزاحة تكيفيًا بدل قيم مستقبلية متزامنة، وبذلك تتعزز القدرة التنبؤية في تطبيقات حيوية مثل التنبيه بجودة الهواء وتتحسن جدوى النماذج في المراقبة البيئية عامة
