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 الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبية

التعلم العميق

التنبؤ بالسلاسل الزمنية بـ LSTM

Time Series Forecasting with LSTM

متوسطنحو 5 ساعات عمل

تنبؤ متعدد الخطوات بحالات الجدري المائي الشهرية بشبكة LSTM ومقارنتها بخطوط أساس بسيطة.

وصف المشكلة

نتنبأ بعدد الحالات الشهرية للأشهر القادمة. نقارن LSTM بالتنبؤ الساذج والموسمي لأن الشبكة العميقة لا تكون مفيدة إلا إذا تفوقت عليهما.

حالة المشروع: دليل تنفيذ كامل بالخطوات والكود. لم يُشغّل الكود في بيئة إعداد الأكاديمية لأنه يحتاج Deep Learning Toolbox وتنزيل البيانات، لذلك لا نعرض نتائج رقمية؛ شغّله في MATLAB وسجّل نتائجك بالمقاييس المذكورة.

الأهداف التعليمية

  • تجهيز سلسلة زمنية للتنبؤ بخطوة واحدة
  • التنبؤ المغلق (Closed loop) لعدة خطوات
  • مقارنة عادلة مع خطوط الأساس
  • تجنب التسرب الزمني

البيانات المطلوبة

chickenpox_dataset: 498 قيمة شهرية لحالات الجدري المائي في نيويورك (1931–1972)، مرفقة مع Deep Learning Toolbox.

مصدر البيانات:

خطوات التنفيذ

  1. حمّل البيانات وحوّلها إلى متجه.
  2. افصل آخر 10% للاختبار زمنياً.
  3. قيّس بإحصاءات التدريب.
  4. درّب LSTM على التنبؤ بالخطوة التالية.
  5. تنبأ بالاختبار تكرارياً.
  6. احسب RMSE وقارنه بالتنبؤ الساذج والموسمي (12 شهراً).

المعالجة المسبقة

  • التقسيم زمني.
  • تقييس z-score من التدريب.
  • لا خلط للتسلسل.

الخوارزمية

LSTM بـ 128 وحدة وطبقة كاملة، خسارة MSE، Adam، ثم تنبؤ مغلق بتمرير كل تنبؤ كمدخل للخطوة التالية.

كود MATLAB

data = chickenpox_dataset;  data = [data{:}];
nTr = floor(0.9 * numel(data));
tr = data(1:nTr);  te = data(nTr+1:end);  h = numel(te);
mu = mean(tr);  sd = std(tr);  trN = (tr - mu) / sd;
layers = [sequenceInputLayer(1); lstmLayer(128); fullyConnectedLayer(1)];
opts = trainingOptions('adam', 'MaxEpochs', 200, 'GradientThreshold', 1, 'Shuffle', 'never', 'Verbose', false);
net = trainnet(trN(1:end-1)', trN(2:end)', layers, 'mse', opts);
[~, state] = predict(net, trN(1:end-1)');  net.State = state;
x = trN(end);  pred = zeros(1, h);
for k = 1:h
    [x, state] = predict(net, x);  net.State = state;
    pred(k) = x * sd + mu;
end
rmse = @(a) sqrt(mean((a - te).^2));
fprintf('RMSE LSTM     = %.1f\n', rmse(pred));
fprintf('RMSE naive    = %.1f\n', rmse(repmat(tr(end), 1, h)));
fprintf('RMSE seasonal = %.1f\n', rmse(data(nTr-11:nTr-12+h)));
plot([tr te]); hold on; plot(nTr+1:nTr+h, pred, 'r', 'LineWidth', 1.5); legend('observed', 'LSTM');

لم يُشغّل في بيئة الإعداد (يحتاج Deep Learning Toolbox وبيانات خارجية). راجع الكود مع توثيق الدوال في إصدارك قبل التشغيل.

شرح الكود

  1. المدخل كل قيمة والهدف القيمة التالية.
  2. predict مع State يحمل الحالة المخفية بين الخطوات.
  3. التنبؤ الموسمي يكرر قيم السنة السابقة.
  4. كل المقارنات على فترة الاختبار نفسها.

النتائج المتوقعة

سجّل RMSE للنماذج الثلاثة. إذا لم يتفوق LSTM على التنبؤ الموسمي فالنتيجة نفسها درس مهم: النماذج البسيطة قوية في السلاسل الموسمية.

مقاييس التقييم

  • RMSE
  • MAE
  • MAPE (بحذر عند القيم الصغيرة)

القيود

  • سلسلة واحدة قصيرة نسبياً.
  • تراكم الخطأ في التنبؤ المغلق.
  • صيغة predict مع State تغيرت بين الإصدارات؛ راجع مثال MathWorks في إصدارك.

المراجع وروابط الوثائق الرسمية