دراسة تقنيات التنبؤ بالسلاسل الزمنية

الملخص

التنبؤ بالسلاسل الزمنية يعني التنبؤ بالقيمة المستقبلية على مدى فترة من الزمن. ويستلزم تطوير نماذج بناءً على البيانات السابقة وتطبيقها لإبداء الملاحظات وتوجيه القرارات الاستراتيجية المستقبلية. تتضمن العديد من مشكلات التنبؤ عنصراً زمنياً، وبالتالي تتطلب استقراء بيانات السلاسل الزمنية، ونظراً لما له من اهمية كبيرة  فتنوعت طرائق التنبؤ بالسلاسل الزمنية فمنها الطرائق الاحصائية التقليدية ومنها التعلم العميق حيث تم في هذا البحث التنبؤ بعدد المكالمات الواردة الى مقسم المحطة باستخدام السلاسل الزمنية فمن اجل ذلك تم استخدام مزيج من الخوارزميات الاحصائية التقليدية و التعلم العميق وهي Auto Regressive Integrated Moving Average و Exponential Smoothing و Recurrent Neural Network وprophet  ومن ثم المقارنة بين النتائج التي تم الحصول عليها  من قبل كل خوارزمية على حدى وذلك باستخدام معيار Mean Squared Error كما تم اجراء تجارب مستقلة لمعرفة تأثير عمق الشبكات العصبونية التكرارية RNN على التنبؤ بعدد المكالمات الواردة الى مقسم المحطة وقد اثبتت النتائج ان خوارزمية ARIMA قد كانت الأفضل وذلك بمقدار خطأ MSE قدره 33346.7 متفوقاً بذلك على جميع الخوارزميات المستخدمة ضمن هذا البحث بما فيها شبكة RNN-LSTM.