TimeCopilot: كيف تبني خط تنبؤ بالنماذج التأسيسية مع كشف الشذوذ

TimeCopilot مكتبة Python لبناء خط تنبؤ متكامل للسلاسل الزمنية. تجمع المكتبة بين الأساليب الإحصائية الكلاسيكية والنماذج التأسيسية المدرَّبة مسبقًا ووكيل LLM اختياري، يختار بنفسه أفضل نهج ويشرح النتيجة. وهي موجّهة إلى المحللين الذين يحتاجون إلى مقارنة مناهج مختلفة بسرعة على بيانات حقيقية، دون إضاعة الوقت في الضبط اليدوي لكل نموذج.

كيف يعمل خط المعالجة

يعرض المطوّرون TimeCopilot على مجموعتي بيانات: مجموعة حقيقية لحركة ركاب شركات الطيران (معيار قياسي كلاسيكي)، وسلسلة موسمية اصطناعية أُدرجت فيها شذوذات عن قصد. يتيح هذا الاختيار اختبار النظام بشكل نزيه، بما في ذلك على بيانات يُعرف مسبقًا ما الذي ينبغي اكتشافه فيها.

تتضمن سير العمل عدة مراحل:

• تحميل البيانات اللوحية (panel data) وإعدادها
• تدريب النماذج عبر التحقق المتقاطع المتدرج
• التقييم وفق عدة مقاييس: MAE وMAPE وRMSE
• توليد تنبؤات احتمالية مع فترات ثقة
• كشف الشذوذ مع التصوير البياني
• تشغيل وكيل LLM لاختيار أفضل نموذج وشرحه

ثلاث فئات من النماذج

يدعم TimeCopilot ثلاثة أنواع من النماذج، يمكن مقارنتها ضمن تجربة واحدة.

النماذج الإحصائية هي الأساليب الكلاسيكية: ARIMA وETS وTheta وغيرها. تتميز بسهولة التفسير، وتعمل جيدًا على مجموعات البيانات الصغيرة ذات الموسمية الواضحة، ولا تتطلب GPU. وتوفّر خط أساس (baseline) معقولًا في أي مهمة تقريبًا.

النماذج التأسيسية هي معماريات مدرَّبة مسبقًا للسلاسل الزمنية، جرى تدريبها على مجموعات بيانات ضخمة. وهي نظير النماذج اللغوية للمتتاليات العددية: إذ يمكنها العمل مباشرة (out-of-the-box) دون إعادة تدريب على مجموعة بيانات بعينها.

النماذج المسرَّعة بوحدات GPU هي نماذج شبكات عصبية (مثل N-BEATS وTiDE) للمجموعات الكبيرة ذات آفاق التنبؤ الطويلة. تُفعَّل بشكل اختياري، وتصبح مفيدة عندما لا تكفي الأساليب الإحصائية.

يقوم التقييم على التحقق المتقاطع المتدرج بنافذة موسّعة: يُدرَّب كل نموذج على التاريخ نفسه، ثم يُختبر على الأفق التالي. وبهذا تتبيّن القدرة الفعلية على التعميم، لا مجرد التكيّف مع بيانات التدريب.

الشذوذ وعدم اليقين

بدلًا من «خط تنبؤ» وحيد، يولّد TimeCopilot تنبؤات احتمالية، أي نطاقًا من القيم باحتمال محدد (80% أو 95%). وهذا مفيد عمليًا عند تخطيط المخزون أو الحمل أو الميزانية، إذ ترى المؤسسة المسارين المتشائم والمتفائل في آن واحد.

يعمل كاشف الشذوذ المدمج بالتوازي مع التنبؤ. وعلى السلسلة الاصطناعية ذات القيم الشاذة المصطنعة، فصل النظام بشكل صحيح بين السلوك الطبيعي وغير المعتاد. وتُوضع علامات الشذوذ مباشرة على الرسم البياني للسلسلة، ما يسهّل التدقيق ونقل النتائج داخل الفريق.

وكيل LLM يشرح الاختيار

أكثر الأجزاء غرابة هو وكيل LLM الاختياري. فبعد تقييم جميع النماذج، يدرس الوكيل نتائج التحقق المتقاطع، ويختار أفضل نموذج لسلسلة بعينها، ويولّد شرحًا نصيًا يوضح لماذا هذا النموذج تحديدًا أدق من غيره.

«تفوّق النموذج التأسيسي على ARIMA بسبب الموسمية غير الخطية ذات السعة

المتزايدة» — يصوغ الوكيل تفسيرات من هذا النوع تلقائيًا.

هذه خطوة نحو AutoML بنتيجة قابلة للتدقيق: لا يحصل المحلل على توصية فحسب، بل على مبرّر يمكن إدراجه في تقرير أو تمريره إلى أصحاب المصلحة دون تفسير إضافي.

ماذا يعني ذلك

يخفض TimeCopilot عتبة الدخول إلى التنبؤ المتقدم: فلا حاجة إلى ضبط عشرات النماذج يدويًا أو تفسير المقاييس بشكل مستقل، إذ يتولى وكيل LLM جزءًا من هذا العمل. وبالنسبة لفرق التحليل التي تعمل بمؤشرات الأعمال أو الطلب أو مؤشرات الأداء التشغيلية (KPI)، فهو إطار جاهز لخط معالجة بمستوى الإنتاج (production-ready)، مع مبرّر مقروء بشريًا لكل قرار.