TimesFM 3.0 تخفض خطأ التنبؤ باستهلاك الطاقة في مبنى جامعي بنسبة 43%

يحتاج مشغّلو المباني إلى التنبؤ بالحمل اليومي لتخطيط التدفئة والتهوية والخدمات الأخرى مسبقًا. وقارن مؤلفو دراسة جديدة منشورة على arXiv، اعتمادًا على بيانات مبنى جامعي، بين النماذج الإحصائية وتعلّم الآلة الكلاسيكي وشبكة عصبية تكرارية ونموذج TimesFM المدرَّب مسبقًا. وسجّلت TimesFM 3.0 مع المتغيرات المصاحبة أفضل الأخطاء الإجمالية: إذ جاء متوسط الخطأ المطلق (MAE) أقل بنحو 43% من التنبؤ الساذج الموسمي الأسبوعي. لكن XGBoost لم يتخلف كثيرًا، ولم تؤكد المقارنات اليومية الزوجية وجود أفضلية واضحة لـTimesFM من حيث MAE.

كيف صُمّم الاختبار المرجعي

لم يقارن المؤلفون النماذج من حيث الدقة وحدها. فقد شملت المقارنة أيضًا البيانات المدخلة المطلوبة لحظة التنبؤ، والحاجة إلى التدريب المحلي، والتكاليف الحسابية. وهذه ليست تفاصيل أكاديمية بالنسبة إلى المشغّل، إذ يتوقف عليها حجم العمل الهندسي الذي يتطلبه التطبيق.

التحقق زمني متسلسل، أي أن النموذج لا يطّلع على المستقبل أثناء التدريب. وجرى تقييم جميع الإعدادات على أيام الاختبار الـ57 نفسها، ثم قُسّمت النتائج بين أيام العمل وعطلات نهاية الأسبوع والعطلات الرسمية. وتمثل العطلات أصعب نمط في مثل هذه المباني، لأن الحمل فيها يختلف جذريًا عن المعتاد.

ثمة تحفظ يخص الطقس. فقد أُخذت المتغيرات المصاحبة من ملاحظات تاريخية، لا من توقعات فعلية كان المشغّل سيحصل عليها في اليوم السابق. وبذلك لم تدخل أخطاء التنبؤ الجوي في التجربة.

ماذا تُظهر الأرقام

• TimesFM 3.0 مع المتغيرات المصاحبة: أقل الأخطاء الإجمالية، وMAE أقل بنحو 43% من التنبؤ الساذج الموسمي الأسبوعي.
• XGBoost: يظل منافسًا. ولا توجد أفضلية واضحة لـTimesFM من حيث MAE في المقارنات اليومية الزوجية.
• TimesFM على تاريخ الاستهلاك فقط: نتيجة قوية أيضًا، دون الطقس أو أي مدخلات أخرى.
• LSTM: يستغرق تدريبها وقتًا أطول ولم تتفوق لا على TimesFM ولا على XGBoost.
• التدريب: لا تتطلب TimesFM إعادة تدريب الأوزان لكل مبنى، بينما يتدرب XGBoost بسرعة ويُصدر التنبؤ محليًا.

وفيما يخص المتغيرات المصاحبة تحديدًا: هي تحسّن تنبؤ TimesFM في العطلات، لكنها تُضعفه قليلًا في أيام العمل وعطلات نهاية الأسبوع. وفي المحصلة يكاد MAE الإجمالي لا يتغير. فالمدخلات الإضافية أداة موضعية لنمط نادر، لا تحسين شامل.

وأظهر التقييم التاريخي التجريبي تقلبات موسمية في الجودة. أما مقارنة مصادر بيانات الطقس فلم تُحدث سوى تغييرات طفيفة في دقة الإعداد المختار من TimesFM. واختيار مزوّد بيانات الطقس، على الأقل في هذه الحالة، مسألة ثانوية.

كيف يُختار النموذج لمبنى ما

يخلص المؤلفون إلى استنتاج حذر: TimesFM المدرَّبة مسبقًا تصلح كقاعدة انطلاق قوية لهذا المبنى، وXGBoost بديل منافس يُضبط محليًا. والنتيجة تخص مبنى واحدًا و57 يوم اختبار، لذا لا ينبغي نقلها إلى منشآت أخرى دون التحقق منها.

والمخطط العملي كالتالي. إذا كان المطلوب الحصول سريعًا على تنبؤ عملي دون دورة تدريب، فيُبدأ بـTimesFM على تاريخ الاستهلاك فقط. وإذا كان الفريق مستعدًا لصيانة نموذج محلي ويقدّر سرعة دورة التدريب والاستدلال، يبقى XGBoost خيارًا معقولًا. أما LSTM فلم تقدّم في هذه المقارنة سببًا يبرر تكلفة الضبط الأطول.

تُضاف المتغيرات المصاحبة عندما تكون أيام العطلات حاسمة للمبنى ويُبرَّر إعداد بيانات الطقس. وإذا كانت أيام العمل وعطلات نهاية الأسبوع أهم، فإن مكسب هذه المتغيرات موضع شك. وقبل التطبيق يُستحسن تكرار الاختبار بتوقعات جوية فعلية بدل الملاحظات التاريخية. وهذا بالضبط هو الموضع الذي تقترب فيه نتائج الدراسة من حدود قابليتها للتطبيق.