نماذج الأساس لتوقعات سلاسل الزمن: مقياس أداء في العالم الحقيقي
تُعَدّ طرق التنبؤ التقليدية بسلاسل الزمن، مثل ARIMA وProphet، محلّ تحدٍّ من جيل جديد من "نماذج الأساس". تهدف هذه النماذج إلى جلب قوة نماذج اللغات الكبيرة (LLMs) إلى بيانات سلاسل الزمن، مما يسمح لنموذج واحد بإجراء تنبؤات عبر مجموعات بيانات ومجالات متنوعة. تقارن هذه المقالة العديد من نماذج الأساس - Amazon Chronos وGoogle TimesFM وIBM Tiny Time-Mixers وDatadog Toto - مع النماذج الكلاسيكية. تُظهر الاختبارات التي أجريت على مقاييس Pods Kubernetes من العالم الحقيقي أن نماذج الأساس تتفوق في التنبؤ متعدد المتغيرات، حيث يُظهر Datadog Toto أداءً جيدًا بشكل خاص. ومع ذلك، لا تزال هناك تحديات في معالجة القيم الشاذة والأنماط الجديدة، وتبقى النماذج الكلاسيكية تنافسية لأحمال العمل الثابتة. في النهاية، يخلص المؤلفون إلى أن نماذج الأساس توفر مزايا كبيرة لتيارات البيانات متعددة المتغيرات سريعة التغيير، مما يوفر حلولًا أكثر مرونة وقابلية للتطوير لفِرَق مراقبة وهندسة المنصات الحديثة.
اقرأ المزيد