كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

أساسيالشبكات الزمنية والمتسلسلة

الشبكات الالتفافية الزمنية (TCN)

Temporal Convolutional Network

شبكة التفافية أحادية البعد سببية (لا ترى المستقبل) بالتفاف متوسع (dilated) ووصلات متبقية، تعالج التسلسلات بالتوازي وتغطي سياقاً طويلاً.

نظرة عامة

الاسمالشبكات الالتفافية الزمنية – Temporal Convolutional Network
سنة الظهور2018
الباحثونShaojie Bai، J. Zico Kolter، Vladlen Koltun
الورقة الأصليةAn empirical evaluation of generic convolutional and recurrent networks for sequence modeling arXiv
نوع البياناتتسلسلات وسلاسل زمنية
المجالاتالتنبؤ بالسلاسل الزمنية، الصوت والكلام

المشكلة التي تحلها

الشبكات المتكررة بطيئة لأنها متسلسلة، وكان يُعتقد أنها الخيار الافتراضي للتسلسلات؛ أراد المؤلفون اختبار بديل التفافي عام.

الخلفية والتطور

ما قبلها: الشبكة العصبية الالتفافية، الشبكة العصبية المتكررة، WaveNet

  1. 2016

    استخدمت WaveNet الالتفاف السببي المتوسع لتوليد الصوت. [مرجع]

  2. 2018

    قارن Bai وزملاؤه TCN عامة مع LSTM/GRU في مهام كثيرة، ووجدوا أداءً منافساً أو أفضل. [مرجع]

الفكرة الأساسية

الالتفاف السببي يحشو من اليسار فقط، فيعتمد خرج الخطوة t على الماضي فقط. التوسع $d=2^l$ يضاعف مجال الرؤية مع كل طبقة، فيغطي مجال رؤية أسي مع عمق خطي. الوصلات المتبقية تثبّت التدريب.

مثال: بنواة 3 و4 طبقات بتوسعات 1،2،4،8 يرى الخرج آخر 31 خطوة زمنية.

المخطط التفاعلي

مخطط توضيحي مبسّط بأبعاد مثال صغير، وليس رسماً مطابقاً لكل تفاصيل التنفيذ الأصلي. اضغط أي طبقة لترى وظيفتها وأبعادها والعملية الرياضية.

اختر طبقة من المخطط.

المكونات

المكوّنالوظيفة
Causal Conv1dحشو يساري فقط
Dilationتوسع متزايد 1،2،4…
Residual blockالتفافان + ReLU + Dropout + وصلة
Weight normalizationفي البحث الأصلي
Outputخطي على آخر خطوة أو كل الخطوات

المعادلات

1. الالتفاف السببي المتوسع

$$F(s)=\sum_{i=0}^{k-1}f(i)\,x_{s-d\cdot i}$$

الرموز
$d$معامل التوسع
$k$حجم النواة
$f$أوزان المرشح
الأبعاد
قيمة لكل خطوة وقناة
مثال عددي
$k=2$، $d=4$: الخرج عند $s$ يعتمد على $x_s$ و$x_{s-4}$.
علاقتها بالمعمارية
يوسع مجال الرؤية دون زيادة المعاملات.

2. مجال الرؤية

$$R=1+(k-1)\sum_{l=0}^{L-1}d_l$$

الرموز
$d_l$توسع الطبقة l
$L$عدد الطبقات
الأبعاد
عدد خطوات
مثال عددي
$k=3$، توسعات $1,2,4,8$ ⇒ $R=1+2\times15=31$.
علاقتها بالمعمارية
يُستخدم لاختيار العمق المناسب لطول السياق (لكل التفاف واحد في الطبقة).

آلية العمل خطوة بخطوة

  1. تُحشى السلسلة من اليسار.
  2. تُطبق التفافات متوسعة متزايدة.
  3. تُضاف الوصلات المتبقية.
  4. يُقرأ الخرج من آخر خطوة أو من كل الخطوات.

المزايا والقيود

المزايا

  • معالجة متوازية سريعة.
  • مجال رؤية طويل ومضبوط.
  • تدرّجات مستقرة.

القيود

  • مجال الرؤية محدود بالتصميم؛ ما بعده لا يُرى.
  • ذاكرة أكبر أثناء الاستدلال مقارنة بحالة RNN المضغوطة.

متى تُستخدم؟ ومتى لا؟

تناسب

  • التنبؤ بالسلاسل الزمنية.
  • تصنيف إشارات بطول معروف.

لا تناسب

  • اعتماديات أطول من مجال الرؤية المصمم.

التطبيقات

المجالالاستخدام
التنبؤ بالسلاسل الزمنيةالتنبؤ بالطلب والطاقة والأسعار.
معالجة اللغة الطبيعيةنمذجة اللغة والتعرف على الكلام (تاريخياً).
تحليل الصور الطبيةتحليل الإشارات الحيوية مثل ECG وEEG.
الروبوتاتالتحكم المتسلسل والتنبؤ بالحركة.

كود PyTorch

كود تعليمي مبسّط يعمل على بيانات اصطناعية صغيرة، يغطي: الاستيراد، وتعريف النموذج، والبيانات، والتمرير الأمامي، والخسارة، والمُحسِّن، وحلقة التدريب، والتقييم، والاستدلال. ليس التنفيذ الكامل للبحث الأصلي.

Python (PyTorch)
# Temporal Convolutional Network (TCN)
# مثال تعليمي مبسّط بـ PyTorch (ليس التنفيذ الأصلي الكامل للبحث): بيانات اصطناعية صغيرة،
# يعمل على المعالج المركزي (CPU) خلال ثوانٍ. الأرقام التي يطبعها تخص هذا المثال فقط.
# 1) استيراد المكتبات
import torch
import torch.nn as nn
import torch.nn.functional as F

torch.manual_seed(0)

# 2) تعريف النموذج
class CausalBlock(nn.Module):
    def __init__(self, c_in, c_out, k=3, d=1):
        super().__init__()
        self.pad = (k - 1) * d
        self.c1 = nn.Conv1d(c_in, c_out, k, dilation=d)
        self.c2 = nn.Conv1d(c_out, c_out, k, dilation=d)
        self.res = nn.Conv1d(c_in, c_out, 1) if c_in != c_out else nn.Identity()
    def forward(self, x):
        h = F.relu(self.c1(F.pad(x, (self.pad, 0))))       # حشو يساري فقط ⇒ سببية
        h = F.relu(self.c2(F.pad(h, (self.pad, 0))))
        return F.relu(h + self.res(x))

class TCN(nn.Module):
    def __init__(self, c=24, levels=4):
        super().__init__()
        self.blocks = nn.Sequential(*[CausalBlock(1 if i == 0 else c, c, 3, 2 ** i) for i in range(levels)])
        self.out = nn.Linear(c, 1)
    def forward(self, x):                                  # x: B×T×1
        return self.out(self.blocks(x.transpose(1, 2))[:, :, -1])

# 3) إعداد البيانات
# التنبؤ بالقيمة التالية لمجموع موجتين بأطوار وترددات عشوائية
def make(n, T=30):
    w1, w2 = torch.rand(n, 1) * 0.3 + 0.1, torch.rand(n, 1) * 0.1 + 0.02
    t = torch.rand(n, 1) * 50 + torch.arange(T + 1).float()
    s = torch.sin(w1 * t) + 0.5 * torch.sin(w2 * t) + 0.03 * torch.randn(n, T + 1)
    return s[:, :T, None], s[:, T:]
X_train, y_train = make(800)
X_test, y_test = make(200)

model = TCN()

# 4) دالة الخسارة والمحسّن
loss_fn = nn.MSELoss()
opt = torch.optim.Adam(model.parameters(), lr=5e-3)

# 5) حلقة التدريب (Training Loop) مع Forward Pass
EPOCHS, BATCH = 15, 32
for epoch in range(EPOCHS):
    model.train()
    perm = torch.randperm(len(X_train))
    total = 0.0
    for i in range(0, len(X_train), BATCH):
        idx = perm[i:i + BATCH]
        xb, yb = X_train[idx], y_train[idx]
        out = model(xb)                       # Forward Pass
        loss = loss_fn(out, yb)
        opt.zero_grad()
        loss.backward()                    # Backpropagation
        opt.step()
        total += loss.item() * len(idx)
    if epoch % max(1, EPOCHS // 4) == 0 or epoch == EPOCHS - 1:
        print(f"epoch {epoch:3d}  loss={total / len(X_train):.4f}")

# 6) التقييم (Evaluation)
model.eval()
with torch.no_grad():
    xb = X_test
    out = model(xb)
    mse = F.mse_loss(out, y_test).item()
    print(f"test MSE = {mse:.4f}")

# 7) الاستدلال (Inference) على عيّنة جديدة
with torch.no_grad():
    xb = X_test[:1]
    out = model(xb)
    print("prediction:", out.squeeze().tolist())

نُفّذ هذا الكود بتاريخ 2026-11-20 في 4.8 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test MSE = 0.0044

عدد المعاملات القابلة للتدريب في المثال: model = 12٬433.

هذه النتائج لبيانات اصطناعية صغيرة وعدد حقب قليل، وتُثبت أن الكود يعمل فقط؛ لا تقارنها بالنتائج المنشورة.

جرّب وتعمّق

معماريات مرتبطة

مبتدئ1998

الشبكة العصبية الالتفافية

Convolutional Neural Network (CNN)

شبكة تستخدم مرشّحات التفاف صغيرة مشتركة الأوزان تنزلق على الصورة، فتلتقط الأنماط المحلية مع عدد معاملات أقل بكثير من MLP.

الأساسيات

أساسي1997

الذاكرة الطويلة قصيرة المدى

Long Short-Term Memory (LSTM)

شبكة متكررة بخلية ذاكرة وبوابات (نسيان، إدخال، إخراج) تتحكم بما يُحفظ وما يُمحى، فتتعلم اعتماديات بعيدة أفضل بكثير من RNN البسيطة.

الشبكات الزمنية والمتسلسلة

متقدم2022

نماذج فضاء الحالة

Structured State Space Models (SSM / S4)

طبقات تسلسلية مبنية على نموذج فضاء الحالة الخطي المستمر، تُقطَّع زمنياً ويمكن حسابها كتكرار سريع في الاستدلال أو كالتفاف طويل متوازٍ في التدريب، مع تهيئة خاصة (HiPPO) لح…

الشبكات الزمنية والمتسلسلة

أفكار بحثية

  • TCN مقابل Mamba في تصنيف إشارات EEG طويلة مع قياس زمن الاستدلال.

اقتراحات للانطلاق وليست فجوات بحثية مؤكدة؛ راجع الأدبيات الحديثة قبل اعتمادها.

اختبر فهمك

  1. مفهوم

    ما معنى أن الالتفاف "سببي" في TCN؟

  2. مفهوم

    ما مجال الرؤية لنواة 2 وتوسعات 1،2،4 (التفاف واحد لكل طبقة)؟

  3. مفهوم

    ما الميزة الأساسية لـ TCN على LSTM؟

المراجع

  1. Bai, S., Kolter, J. Z., & Koltun, V. (2018). An empirical evaluation of generic convolutional and recurrent networks for sequence modeling. arXiv preprint. https://arxiv.org/abs/1803.01271

    arXivتحقق آلي عبر OpenAlex/arXiv – 2026-11-20

  2. van den Oord, A., Dieleman, S., Zen, H., Simonyan, K., Vinyals, O., Graves, A., Kalchbrenner, N., Senior, A., & Kavukcuoglu, K. (2016). WaveNet: A generative model for raw audio. arXiv preprint. https://arxiv.org/abs/1609.03499

    arXivتحقق آلي عبر OpenAlex/arXiv – 2026-11-20

  3. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778. https://doi.org/10.1109/CVPR.2016.90

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20