"مفارقة التفاصيل الزمنية": لماذا تجعل البيانات الزمنية الأكثر تفصيلاً التنبؤات أسوأ لا أفضل؟

نموذج يبدو رائعاً في الاختبارات المعملية قد ينهار بصمت عند التشغيل الفعلي، وهذه بالضبط الظاهرة التي تشرحها دراسة جديدة في مجال التنبؤ بالسلاسل الزمنية (Time-Series Forecasting). الباحث هوغو مورييرا، في ورقة بحثية رفعها إلى أرشيف الأبحاث المفتوحة (arXiv) في 5 يوليو 2026، يوثّق ما أسماه "مفارقة التفاصيل الزمنية" (Granularity Paradox): فتقسيم البيانات إلى فترات زمنية أدق، من شهرية إلى أسبوعية أو يومية مثلاً، يحسّن مؤشرات الأداء الداخلية (In-sample Diagnostics) ويمنح النموذج كمية أكبر من نقاط البيانات للتدريب، لكنه في المقابل يقلّص بشكل منهجي من دقة التنبؤ الفعلية خارج نطاق البيانات المدروسة (Out-of-sample Accuracy).

السبب هنا لا يتعلق بتعقيد النموذج، بل بظاهرة تراكم الخطأ التكراري (Recursive Error Compounding). فعندما تُولَّد التنبؤات خطوة بخطوة وبتردد عالٍ، تتغذى كل عملية تنبؤ على نتيجة العملية السابقة لها، فتتراكم الأخطاء الصغيرة وتتضخم عبر السلسلة التكرارية (Recursive Chain). وكلما ازدادت دقة التفاصيل الزمنية، احتاج النموذج إلى خطوات تنبؤ أكثر لتغطية نفس الأفق الزمني، وهذا بدوره يفتح المجال أمام تراكم الأخطاء بشكل أكبر.

اختبار عشرة نماذج على ست مستويات من التفاصيل الزمنية

للتحقق من صحة هذه المفارقة، قارن مورييرا أداء عشرة نماذج تنبؤية مختلفة، تشمل نماذج أساسية بسيطة (Naïve Baselines) وأساليب إحصائية وتعلّم آلي (Machine Learning) وبنى تعلّم عميق (Deep Learning)، عبر ست مستويات مختلفة من التفاصيل الزمنية. واستُخدمت في التجربة قاعدة بيانات حقيقية لعمليات الشراء الحكومي (Public Procurement) تمتد لثلاثة عشر عاماً، اختيرت لطول مداها الزمني وتقلباتها الواقعية غير المنتظمة.

النتائج كانت صادمة. فنموذج هولت-وينترز (Holt-Winters)، وهو أسلوب إحصائي كلاسيكي، ينهار تماماً عند المستوى اليومي، مسجلاً معامل تحديد اختباري (Test R-squared) بقيمة -151 ونسبة خطأ تنبؤ إجمالية (TPFE) بلغت 425.85%، وهي أرقام تعني أن أداء النموذج أسوأ بكثير من الاعتماد على المتوسط الحسابي البسيط كتنبؤ. وهذا النوع من الفشل كان سيبقى غير مرصود تماماً لو اعتمد أي فريق على تقييم النموذج فقط عند التجميعات الشهرية الأقل تفصيلاً.

أما شبكات الذاكرة الطويلة القصيرة المدى (LSTM)، فتروي قصة معكوسة تماماً للمنطق المتوقع. فمنحنى خطأها يأخذ شكل حرف U: يتراجع الأداء عند التحول من الشهري (19.66% خطأ) إلى نصف الشهري (35.94%)، لكنه يتحسن بشكل حاد عند المستوى اليومي، حيث تنخفض نسبة الخطأ إلى 4.35% ويصل معامل التحديد إلى 0.66. بعبارة أخرى، المفارقة لا تنطبق بشكل موحّد على كل النماذج؛ فبعض البُنى التقنية تستفيد فعلياً من التكرار عالي التردد، بشرط توفر بنية متسلسلة كافية تتعلم منها.

في المقابل، ظل نموذج الانحدار الخطي (Linear Regression) مستقراً بشكل لافت عبر جميع مستويات التفاصيل المختبرة، محافظاً على نسبة خطأ تتراوح بين 16.3% و17.0% بغض النظر عن طريقة تقسيم البيانات. ويرى مورييرا أن هذا الاستقرار هو المفتاح الحقيقي لفهم الظاهرة: فبينما لا يتأثر نموذج بسيط كالانحدار الخطي بالمفارقة، تتأثر النماذج الأكثر تعقيداً بدرجات متفاوتة تبعاً لبنيتها. وهذا يعني أن العامل الحاسم ليس مدى تطور النموذج، بل طريقة بناء عملية التنبؤ نفسها، وبالتحديد ما إذا كانت تعتمد على حلقات تغذية عكسية تكرارية متعددة الخطوات (Recursive Multi-step Feedback Loops) أم لا.

أداة تشخيصية جديدة لكشف الأعطال الخفية

بما أن مقاييس الدقة التقليدية قد تبدو مقبولة داخل نطاق البيانات نفسها بينما تخفي تأثير التراكم هذا، تقدّم الورقة البحثية أداة تشخيصية قائمة على مبدأ "التوافق والتضارب" (Consensus-Dissensus Diagnostic). الفكرة تقوم على رصد النماذج التي تتضارب فيها إشارات التقييم المختلفة مع بعضها، وهو مؤشر يدل على أن الدقة الظاهرية للنموذج عند مستوى تفصيل معين لا يمكن الوثوق بها.

بالنسبة للفرق التي تبني أنظمة تنبؤ، خصوصاً في مجالات العمليات التشغيلية وسلاسل التوريد والمشتريات، الرسالة واضحة ومباشرة: اختيار مستوى تفاصيل زمنية أدق بحجة أنه "يوفر بيانات أكثر للنموذج" ليس ترقية مجانية بلا كلفة. مستوى التفاصيل الزمنية نفسه يجب أن يُختبر كقرار تصميمي مستقل، لا أن يُفترض كخيار افتراضي تلقائي.