DistDF: طريقة جديدة للتنبؤ بالسلاسل الزمنية عبر مواءمة التوزيعات

يُعدّ التنبؤ بالسلاسل الزمنية من أكثر المهام التطبيقية في التعلم الآلي، بدءًا من توقع أسعار الأسهم وصولًا إلى إدارة شبكات الطاقة. وعلى مدى عقود، صقل الباحثون النماذج بتدريبها على تقليل الخطأ التربيعي المتوسط. لكن فريق العلماء الذي قدّم ورقة DistDF في مؤتمر ICLR 2026 يطرح سؤالًا محرجًا: ماذا لو كان مبدأ التدريب نفسه خاطئًا من أساسه؟

الخطأ التربيعي المتوسط، أو MSE، هو المعيار الذي قلّما يحيد عنه أحد. ومنطقه بسيط: كلما اقتربت القيمة المتوقعة من القيمة الفعلية، كان النموذج أفضل. لكن مؤلفي DistDF يشيرون إلى عيب جوهري في هذا النهج. فالمقياس يعمل نقطةً نقطة، إذ يقارن القيم الفردية ويتجاهل كيفية توزّع البيانات عبر الزمن، وكيف ترتبط اللحظات المختلفة من السلسلة ببعضها، وما هي بنية عدم اليقين على المدى البعيد. وقد يخمّن النموذج المدرَّب على MSE النقطة التالية بدقة عالية، ومع ذلك يفوته تمامًا ما تخفيه البيانات من أنماط: الأنماط الموسمية، وقفزات التقلب، والارتباطات بين المتغيرات.

وهنا يقترح DistDF نموذجًا مختلفًا. فبدلًا من مقارنة النقاط، تقارن الطريقة التوزيعات. والأداة الرياضية الأساسية هي مسافة فاسرشتاين المشتركة، وهي مقياس مأخوذ من نظرية النقل الأمثل، يقيس "كلفة" تحويل توزيع احتمالي إلى آخر. وببساطة أكثر، لا يتعلم النموذج تخمين رقم فحسب، بل يتعلم إعادة إنتاج السلوك العام للبيانات: تقلّبها وترابطاتها وشكل أطراف توزيعها. وهذا مستوى مختلف جذريًّا من فهم السلسلة الزمنية.

واختيار مسافة فاسرشتاين ليس عشوائيًّا. فعلى خلاف المقاييس الأخرى، تأخذ هذه المسافة في الحسبان هندسة فضاء البيانات، وتتحسس الفروق البنيوية الدقيقة بين التوزيعات. أما نسختها المشتركة فتلتقط إضافةً إلى ذلك الاعتماديات بين عدة متغيرات في آنٍ واحد، وهو أمر بالغ الأهمية للسلاسل الزمنية متعددة المتغيرات التي تهيمن على المهام الواقعية. فاستهلاك الطاقة وأسعار المواد الخام وحركة الشبكات كلها أنظمة ترتبط متغيراتها ارتباطًا عميقًا، وهذه الروابط تحديدًا هي ما يضيع عند التدريب القياسي على MSE.

وعمليًّا، يُظهر DistDF نتائج مقنعة. ففي اختبارات الأداء القياسية للتنبؤ بالسلاسل الزمنية، تتفوق الطريقة الجديدة على منافساتها، وبشكل أوضح على آفاق التنبؤ بعيدة المدى، حيث يتحول تراكم الأخطاء عادةً إلى مشكلة حرجة. ومن اللافت أن التحسن لا يقتصر على دقة التنبؤات المركزية، بل يشمل أيضًا معايرة عدم اليقين: فالنماذج المدرَّبة عبر مواءمة التوزيعات تدرك على نحو أفضل متى "لا تعرف"، وتشير إلى ذلك بصدق أكبر عبر فترات الثقة.

وتتجاوز التبعات العملية لهذا العمل حدود الاهتمام الأكاديمي بكثير. ففي القطاع المالي، تكلّف دقة تقدير مخاطر الأطراف مليارات الدولارات حرفيًّا، وحيث يكون MSE أعمى ما يكون، تكون مسافة فاسرشتاين أبصر ما تكون. وتتطلب إدارة شبكات الطاقة توقع ذروات الاستهلاك القصوى لا الطلب المتوسط فقط. وتستفيد اللوجستيات وسلاسل الإمداد من نماذج تفهم بنية الطلب بوصفها كلًّا متكاملًا، لا مجموعة نقاط مستقلة. وفي كل هذه المجالات، يعني الانتقال من التنبؤات النقطية إلى التنبؤات التوزيعية اتخاذ قرارات مختلفة نوعيًّا.

يمثّل DistDF إشارة إلى أن عصر التقليل الساذج لـ MSE في التنبؤ يقترب من نهايته. ويفتح مبدأ مواءمة التوزيعات في التدريب الطريق أمام نماذج لا تحفظ الاتجاهات فحسب، بل تفهم حقًّا طبيعة البيانات الزمنية. وإذا تأكدت نتائج ICLR 2026 في الأنظمة الصناعية، فسنشهد تحوّل نظرية النقل الأمثل، وهي فرع رياضي تعود جذوره إلى مسائل غاسبار مونج في القرن الثامن عشر، إلى أداة قياسية في ترسانة فرق البيانات الحديثة.