PathFM يولّد مسارات تنبؤ كاملة في 1–2 خطوة عبر flow matching

لا يولّد نموذج PathFM مجموعة كمّيات لكل نقطة من أفق التنبؤ، بل مسارات مستقبلية كاملة للسلسلة الزمنية. وبعد التقطير إلى خطوة أو خطوتين، يُنتج عدة مسارات من هذا النوع لسلسلة واحدة في زمن يقارب الزمن الذي يستغرقه استعلام واحد إلى نموذج كمّي. كما قدّم المؤلفون معيار fps-bench. وفي path score المجمّع على هذا المعيار، يتفوق PathFM على جميع النماذج الخارجية المرجعية التي جرى فحصها.

ما الذي ينقص النماذج الكمّية

تكتسب النماذج التأسيسية للسلاسل الزمنية شعبية سريعة بوصفها أداة تنبؤ شاملة. لكن معظم الحلول الرائدة تتنبأ بالكمّيات الهامشية. فهي تحدّد لكل خطوة من الأفق على حدة، مثلًا، الوسيط وحدود المجال. أما كيف ترتبط القيم في الخطوات المختلفة ببعضها، فيبقى خارج الصورة.

وفي كثير من المهام تحديدًا، هذه العلاقة هي المطلوبة. فالطلب الإجمالي خلال أسبوع، وذروة الحمل على الشبكة، ولحظة وقوع حدث ما، كلها تعتمد على المسار بأكمله. لنأخذ سيناريوهين لهما التوزيعات الهامشية نفسها. في الأول تتراكم الانحرافات عن التنبؤ خطوة بعد خطوة، وفي الثاني يلغي بعضها بعضًا. ستتطابق الكمّيات في السيناريوهين، لكن المجموع والذروة سيختلفان. والمقاييس النقطية وتقييمات التوزيعات الهامشية لا تُظهر هذا الفرق.

كيف يعمل PathFM

يعتمد المؤلفون على flow matching، وهو نهج توليدي قريب من نماذج الانتشار (diffusion)، ويطبّقونه على المسارات المستقبلية الكاملة. يأخذ النموذج عيّنة من المسار كاملًا، ولذلك تكون العلاقة بين الخطوات مضمّنة في الناتج نفسه. وعادةً ما يكون هذا النوع من التوليد مكلفًا، إذ يحتاج إلى خطوات تكامل كثيرة وتمريرات متكررة. وهنا يعالج المؤلفون ذلك بأسلوبين:

• تقطير النموذج إلى خطوة أو خطوتين من أخذ العيّنات.
• ذاكرة انتباه مشتركة للتاريخ بين العيّنات المختلفة: يُعالَج سياق السلسلة مرة واحدة، لا من جديد لكل مسار.
• تحسين مباشر لدالة خسارة المعايرة، وهو ما يجعله المُعيِّن (sampler) المقطَّر السريع عمليًا.
• هدف السرعة: عدة مسارات لسلسلة واحدة في زمن قريب من زمن استعلام واحد إلى نموذج كمّي.

وتستحق دالة خسارة المعايرة وقفة منفصلة. فحين تكون عملية أخذ العيّنات رخيصة، يمكن دمجها في التدريب وتقريب التوزيعات المتنبَّأ بها من الواقع بصورة مباشرة.

كيف جرى التحقق

على المعيارين الراسخين fev-bench وTIME، يُظهر PathFM دقة هامشية تنافسية. ولا يتخلف النموذج عن المنافسين الكمّيين في مجالهم، وهذا ما يراه المؤلفون دليلًا على عملية النهج.

ولتقييم الترابط الزمني، أنشأ الفريق Forecast Path Score Bench (fps-bench). يوسّع هذا المعيار مهام fev-bench بمقياسين للمسارات هما energy score وvariogram score، إضافةً إلى مقاييس downstream مرتبطة بكميات عملية مثل الطلب التراكمي والذروة. وفي path score المجمّع، يتفوق PathFM على جميع النماذج الخارجية المرجعية في المقارنة.

وأُجريت تجربة منفصلة على أنظمة فوضوية. بحسب وصف المؤلفين، يحافظ نموذج flow على التقلب طويل الأمد، بينما تنهار النماذج المرجعية القوية بسرعة، أي أن المسارات تفقد تنوعها. وهذه إشارة مهمة للأفق الطويل: فالتنبؤ الذي يتحول إلى خط أملس يصف المخاطر بصورة سيئة.

أين يفيد ذلك

أبرز المجالات المرشحة للتطبيق: تخطيط الأحمال في قطاع الطاقة، وإدارة المخزون والطلب، وسعات مراكز البيانات، وأي سيناريو يعتمد فيه القرار على المجموع أو القيمة القصوى عبر الأفق. فبدلًا من مجال واحد، يحصل الفريق على مجموعة من السيناريوهات المعقولة، ويحسب منها الكميات المطلوبة مباشرة.

وهناك قيود أيضًا. فالوصف المتاح لا يتضمن نتائج رقمية محددة، ولذلك ينبغي الرجوع إلى الورقة نفسها والشيفرة لمعرفة حجم التفوق على fps-bench والسرعة على عتاد فعلي. وقد أنشأ المؤلفون أنفسهم المعيار والنموذج معًا، لذا فإن إجراء تحقق مستقل على بياناتكم الخاصة لن يضر. والخطة العملية: اختيار مهامكم التي تعتمد على المسار، ومقارنة نموذج كمّي مع PathFM بحسب energy score وvariogram score، ثم بحسب مقياس الأعمال، مثل خطأ الذروة أو الطلب الإجمالي.