PathFM: توليد مسارات كاملة للسلاسل الزمنية عبر flow matching

أصبحت النماذج الأساسية للسلاسل الزمنية معياراً للتنبؤ العام، لكنها تترك جانباً معلومة بالغة الأهمية تتعلق ببنية الاعتمادية داخل المسارات المستقبلية. فمعظم الحلول الرائدة — مثل TimesFM-3 — تتنبأ بالكميات الحدية (quantiles) لكل متغير على حدة، دون مراعاة سلوكها المشترك أو الارتباطات الزمنية بينها. ويخلق هذا مشكلة في التطبيقات التي تحتاج إلى صورة كاملة للتطور، مثل التنبؤ بالطلب الإجمالي أو الحمل الأقصى على الشبكة أو لحظات وقوع الأحداث.

طرح باحثو Autogluon نهجاً مغايراً: نموذج PathFM، وهو نموذج تنبؤ توليدي ينشئ مسارات متعددة الأبعاد كاملة. فبدلاً من إخراج نقاط منفصلة أو كميات حدية، يستخدم النموذج تقنية flow matching لتوليد مسارات واقعية لتطور السلسلة بكل ما فيها من اعتمادية وتنوع.

البنية والتحسين

يعتمد PathFM على flow matching، وهي طريقة تحوّل توزيعاً بسيطاً إلى توزيع معقّد عبر عملية قابلة للعكس. وتكمن الابتكار الأساسي في عملية التقطير (distillation): فقد ضغط الباحثون النموذج إلى خطوة أو خطوتين من الحساب، ونفّذوا ذاكرة تخزين مؤقت لتاريخ الانتباه (history attention cache) لإعادة استخدامه عند توليد عدة مسارات. وقد مكّن ذلك من تحقيق سرعة مماثلة لاستعلام واحد على نموذج كمي حدي، لكن مع إنشاء عشرات المسارات المستقلة.

كما جرى تحسين النموذج مباشرةً عبر دالة خسارة المعايرة (calibration loss)، الموجّهة لمعايرة عدم التأكد، وهو أمر لا تستطيع النماذج العاملة على كميات حدية منفصلة تحقيقه.

النتائج على المعايير القياسية

جرى تقييم PathFM على المعيارين القياسيين fev-bench وTIME. وعلى fev-bench، حقق النموذج دقة تنافسية في التنبؤات الحدية، محتلاً المرتبة الثالثة. لكن أهم الإنجازات تبرز على معيار جديد يسمى Forecast Path Score Bench (fps-bench)، صمّمه الباحثون خصيصاً لتقييم جودة المسارات.

ويوسّع fps-bench مهام fev-bench بمقاييس إضافية هي energy score (نتيجة الطاقة) وvariogram score (الفاريوغرام)، وهي تقيس مدى قدرة النموذج على إعادة إنتاج التوزيع المشترك والتنوع المكاني. وعلى مستوى نتيجة المسار الإجمالية (path score)، تفوّق PathFM على جميع الحلول التي خضعت للاختبار، بما فيها TimesFM-3، بنسبة 10,6%.

السرعة والجدوى العملية

على معالج رسومي من نوع NVIDIA L4، يولّد PathFM 32 مساراً كاملاً في 51,6 ميلي ثانية. ويجعل هذا من أساليب التجميع (ensemble) أمراً عملياً بالفعل: فقبل ذلك، كانت المناهج التوليدية تتطلب حسابات مكلفة أو تنازلات في الجودة.

السلوك على الأنظمة المشوشة (الفوضوية)

أظهر اختبار خاص على الأنظمة الفوضوية أن نهج flow matching يتمتع بخاصية فريدة: يحافظ النموذج على التنوع طويل المدى لمدة أطول بـ20 مرة أو أكثر مقارنة بالنماذج المرجعية، بينما يحقق في نفس الوقت أقل خطأ نقطي متوسط في التنبؤ. أما النماذج القوية الأخرى، فإنها تفقد عشوائيتها بسرعة وتختزل تنبؤاتها إلى قيم متوسطة.

يفتح PathFM فئة جديدة من التطبيقات: من إدارة سلاسل التوريد مع مراعاة التوزيع الكامل للطلب، إلى أنظمة إدارة الأحمال في قطاع الطاقة، حيث لا يكفي التنبؤ بالمتوسط فقط بل يجب توقّع النطاق الكامل من السيناريوهات الممكنة. ويعد المؤلفون — Jiachen Yao وXiyuan Zhang وAnnan Yu وBoran Han وAbdul Fatir Ansari وShuai Zhang وMichael Bohlke-Schneider وBernie Wang — بإصدار أوزان النموذج والكود المصدري قريباً.