التنعيم الأسي للتنبؤ بالسلاسل الزمنية

تُعد النمذجة التنبؤية للسلاسل الزمنية إحدى الركائز الجوهرية في الإحصاء التطبيقي، وتحليل البيانات، وبحوث العمليات، والعلوم السلوكية والفيزيائية المعاصرة. وتكتسب القدرة على استشراف المستقبل بناءً على السجلات التاريخية أهمية استراتيجية بالغة؛ إذ تمكّن المؤسسات والباحثين من اتخاذ قرارات مستنيرة في ظل عدم اليقين. ومن بين المنظومات الرياضية المتعددة التي طُوّرت عبر العقود لمعالجة البيانات المرتبة زمنياً، يبرز التنعيم الأسي (Exponential Smoothing) بوصفه واحداً من أكثر الأطر النظرية أناقة وكفاءة ومرونة، حيث يجمع بين البساطة الحسابية الفائقة والدقة التنبؤية المرموقة التي تتفوق في كثير من الأحيان على النماذج المعقدة وشبكات الذكاء الاصطناعي كثيفة المعلمات.

يقوم التنعيم الأسي على فرضية حدسية ورياضية عميقة مفادها أن الماضي القريب يحمل وزناً إعلامياً أكبر من الماضي البعيد في تفسير السلوك المستقبلي للظاهرة المدروسة. وبدلاً من إعطاء أوزان متساوية لجميع المشاهدات التاريخية كما تفعل نماذج المتوسطات المتحركة الكلاسيكية، أو تجاهل البعد الزمني التراكمي، يعتمد التنعيم الأسي دالة اضمحلال هندسي تجعل تأثير المشاهدة يتضاءل تدريجياً وبصورة أسية كلما ابتعدت في عمق الماضي. وقد تطورت هذه العائلة من الصيغة البسيطة أحادية المعامل لتشمل معالجة الاتجاهات العامة الخطية وغير الخطية، والأنماط الموسمية المعقدة، وصولاً إلى صياغتها الإحصائية الحديثة ضمن إطار نماذج فضاء الحالة والابتكار (State Space Models / ETS).

يهدف هذا الدليل الموسوعي الشامل إلى تقديم معالجة تأصيلية ونظرية ورياضية معمقة لمنهجية التنعيم الأسي بكافة أشكالها وتفريعاتها. سنتناول في هذه الدراسة الجذور الجبرية، والاشتقاقات الإحصائية، والخوارزميات العددية، وآليات التحسين والاستمثال، فضلاً عن التطبيقات المتخصصة في تصفية الإشارات والبيانات السلوكية والفسيولوجية، والمقارنات المعيارية الصارمة مع نماذج أريما (ARIMA) ونماذج التعلم العميق، مدعومة بإرشادات تطبيقية وحسابية متكاملة تُمكّن الباحث والممارس من استيعاب هذه الأدوات وتطبيقها بأعلى درجات الدقة المنهجية.

1. مقدمة تأصيلية ونظرية حول السلاسل الزمنية والتنعيم الأسي

1.1 مفهوم السلاسل الزمنية أحادية المتغير وخصائصها الإحصائية

تُعرّف السلسلة الزمنية (Time Series) رياضياً بأنها متتالية من المشاهدات الإحصائية Y_t المرتبة ترتيباً زمنياً متتابعاً، حيث يمثل t فهرساً زمنياً ينتمي إلى مجموعة متقطعة ومتباعدة بانتظام T = {1, 2, …, n}. وتتمايز السلسلة الزمنية أحادية المتغير (Univariate Time Series) جوهرياً عن البيانات المقطعية (Cross-sectional Data) في أن المشاهدات ليست مستقلة إحصائياً ولا موزعة توزيعاً متطابقاً، بل ترتبط بعلاقات اعتمادية داخلية يفرضها التدفق الزمني، مما يجعل ترتيب البيانات ركناً أساسياً لا يمكن تبديله دون تدمير البنية الإحصائية الكامنة في الظاهرة.

يتطلب التحليل العلمي الرصين للسلاسل الزمنية تفكيكها إلى مكوناتها البنيوية الأساسية الأربعة:

• الاتجاه العام (Trend – T_t): ويمثل المسار طويل المدى الذي تتجه نحوه السلسلة، سواء كان نمواً تصاعدياً، أو انحداراً تنازلياً، أو استقراراً مستوياً على مدى فترات زمنية ممتدة.
• المكون الموسمي (Seasonality – S_t): ويعبر عن التغيرات الدورية المنتظمة التي تتكرر بفواصل زمنية ثابتة ومعلومة، كالساعات في اليوم، أو الأيام في الأسبوع، أو الفصول في السنة، وتنتج عادة عن عوامل مناخية أو دورات مؤسسية ومجتمعية ثابتة.
• المكون الدوري (Cyclical – C_t): ويشير إلى التموجات والتقلبات التي تمتد عبر فترات زمنية مرنة وغير منتظمة التكرار، وترتبط غالباً بالدورات الاقتصادية العامة أو التحولات الهيكلية طويلة المدى.
• الاضطراب العشوائي أو المتبقي (Irregular/Noise – I_t): وهو الجزء غير المفسر المتبقي بعد استبعاد المكونات السابقة، وينتج عن الصدمات البيئية أو العشوائية الصرفة التي لا تخضع لقانون حتمي.

تشكل مسألة الاستقرارية الإحصائية (Stationarity) حجر الزاوية في نظرية السلاسل الزمنية. وتُعرف الاستقرارية بالمعنى الضعيف (Weak/Covariance Stationarity) بتحقق ثلاثة شروط رياضية: ثبات المتوسط الحسابي عبر الزمن E(Y_t) = μ، وثبات التباين Var(Y_t) = σ² < ∞، وأن يعتمد التغاير التلقائي (Autocovariance) بين نقطتين زمنيتين Y_t و Y_t-k على الإزاحة الزمنية (Lag) k فقط وليس على الزمن المطلق t. ورغم أن العديد من النماذج الكلاسيكية تشترط تحويل السلسلة غير المستقرة إلى مستقرة عبر الفروق (Differencing)، فإن التنعيم الأسي يمتلك قدرة فريدة على التكيف اللحظي مع السلاسل غير المستقرة في المستوى والاتجاه دون اشتراط استقرارية جامدة مسبقة.

يرتبط مفهوم الارتباط الذاتي (Autocorrelation) ارتباطاً وثيقاً بقدرة النماذج على التنبؤ؛ حيث يقيس معامل الارتباط الذاتي ρ_k قوة العلاقة الخطية بين قيم السلسلة عند اللحظة t وقيمها السابقة عند اللحظة t-k. ويعد تشخيص دالة الارتباط الذاتي (ACF) ودالة الارتباط الذاتي الجزئي (PACF) المدخل الرئيس لفهم الذاكرة التاريخية للنظام الديناميكي وتحديد ما إذا كان السلوك يتبع عمليات الانحدار الذاتي، أو المتوسطات المتحركة، أو ما إذا كان التنعيم الأسي قادراً على التقاط هذه الروابط من خلال خوارزميات التحديث التكراري.

1.2 الأساس النظري للتنعيم الأسي وفلسفة توزيع الأوزان

تتمحور الفلسفة الإحصائية للتنعيم الأسي حول التوفيق بين استيعاب الإشارة الدائمة (Signal) وتصفية التشويش العشوائي (Noise). في المقاربة التقليدية المعتمدة على المتوسطات المتحركة البسيطة (Simple Moving Average – SMA)، تُعطى المشاهدات k الأخيرة أوزاناً متساوية قدرها 1/k، بينما يُهمل التاريخ السابق للحظة t-k إهمالاً تاماً بوزن صفري. تنطوي هذه الآلية على قصور نظري واضح يُعرف بتأثير “حافة الجرف”، حيث تُعامل المشاهدة السابقة مباشرة معاملة مطابقة لمشاهدة حدثت قبل k فترة، ثم تسقط فجأة من الحساب بمجرد تقدم الزمن خطوة واحدة، فضلاً عن الحاجة لتخزين k مشاهدة في الذاكرة الحسابية.

في المقابل، يقدم التنعيم الأسي بديلاً رياضياً رشيقاً ومتماسكاً يفترض أن قيمة المشاهدة التاريخية تتناقص قيمتها الإخبارية باستمرار كلما تقادمت، وفق دالة اضمحلال أسي (Exponential Decay). يعطى الوزن الأكبر للمشاهدة الأحدث Y_t، وتتضاءل أوزان المشاهدات السابقة Y_t-1, Y_t-2, … بمعدل هندسي ثابت يُحدده معامل التنعيم α (حيث 0 < α < 1). إن الصيغة العامة لتوزيع الأوزان تمنح المشاهدة الواقعة عند الإزاحة k وزناً مقداره α(1 – α)^k، مما يعني أن جميع البيانات التاريخية منذ بداية السلسلة تساهم نظرياً في التقدير اللحظي ولكن بأوزان متناهية في الصغر تدريجياً.

تتميز هذه المنهجية بمبررات عميقة في حقول النمذجة القياسية والسلوكية ودراسة النظم المعقدة؛ إذ تستجيب الظواهر الإنسانية والاجتماعية والاقتصادية للظروف الراهنة بصورة أسرع من استجابتها للأحداث الغابرة. فالتوقعات السلوكية في الأسواق أو التغيرات المزاجية والنفسية لا تحتفظ بذاكرة حادة مطلقة، بل تخضع لعمليات نسيان أو تضاؤل تدريجي للأثر الحافز، وهو ما يتطابق بنيوياً مع الطبيعة الرياضية لدالة الاضمحلال الأسي.

1.3 التطور التاريخي لطرق التنعيم وتطبيقاتها العلمية

تعود الجذور التأسيسية للتنعيم الأسي إلى منتصف القرن العشرين؛ حيث نشأت المنهجية بدافع تلبية احتياجات تطبيقية ملحة في التنبؤ الهندسي والعسكري واللوجستي. ويُنسب الفضل الأساسي في صياغة النماذج الأولى إلى العالم روبرت غوديل براون (Robert Goodell Brown) خلال عمله مع البحرية الأمريكية في خمسينيات القرن الماضي؛ إذ كان يبحث عن خوارزمية حسابية خفيفة لتتبع مسارات السفن والطائرات الرادارية والتنبؤ بالطلب على قطع الغيار دون استهلاك الموارد المحدودة لحواسيب ذلك العصر.

تزامن ذلك مع الإسهامات الفذة للعالم تشارلز هولت (Charles C. Holt) في عام 1957 بمعهد كارنيغي للتكنولوجيا، حيث وسّع النموذج الأسي البسيط ليتعامل مع السلاسل التي تحتوي على اتجاهات عامة (Trends) عبر إدخال معامل تنعيم ثانٍ مخصص لمعدل التغير الخطي. وفي عام 1960، قام تلميذه بيتر وينترز (Peter R. Winters) بتطوير هذه البنية من خلال إضافة مكون موسمي صريح ومعامل تنعيم ثالث، لتولد المنهجية الشهيرة عالمياً باسم “نموذج هولت-وينترز” (Holt-Winters Seasonal Method)، والتي شكلت قفزة نوعية في دمج الأنماط الدورية في النمذجة الرياضية.

انتقلت المنهجية خلال العقود اللاحقة من النطاق الصناعي العسكري إلى علم النفس التجريبي، والعلوم السلوكية، وعلم الأوبئة، ومعالجة الإشارات الرقمية (DSP)، ومراقبة العمليات الإحصائية. ومع مطلع الألفية الثالثة، شهد التنعيم الأسي إعادة تأسيس إحصائي شاملة على يد البروفيسور روب هايندمان (Rob J. Hyndman) وزملائه، الذين وضعوا إطار نماذج فضاء الحالة والابتكار (ETS Framework)، محولين التنعيم الأسي من مجرد “خوارزمية حسابية استدلالية” (Heuristic Algorithm) إلى فرع متكامل من نظرية الاحتمالات ونماذج القياس الإحصائي الصارم، مما عزز مكانتها المعاصرة في عصر البيانات الضخمة والتعلم الآلي.

2. الخلفية الرياضية والجبرية لآليات التنعيم الأسي

2.1 الاشتقاق الرياضي لمعادلة التنعيم الأساسية

تُبنى الخوارزمية الأساسية للتنعيم الأسي البسيط (Simple Exponential Smoothing) على صيغة تكرارية تحديثية (Recursive Formulation) تولد القيمة المنعمة اللحظية S_t كمتوسط موزون يجمع بين أحدث مشاهدة متحققة Y_t وأحدث تقدير منعم متاح من الفترة السابقة S_t-1. وتصاغ المعادلة رياضياً على النحو التالي:

S_t = α Y_t + (1 – α) S_t-1

حيث يمثل α معامل التنعيم (Smoothing Parameter)، المقيد بالفترة المغلقة نظرياً 0 ≤ α ≤ 1. ولكشف الطبيعة الهندسية لهذه العلاقة الجبرية، يمكننا فك الصيغة التكرارية بالتعويض المتتالي عن S_t-1, S_t-2, … إلى الوراء للوصول إلى المشاهدة الابتدائية الأولى S₀:

S_t = α Y_t + (1 – α)[α Y_t-1 + (1 – α) S_t-2]
S_t = α Y_t + α(1 – α) Y_t-1 + (1 – α)² S_t-2
S_t = α ∑_i=0^t-1 (1 – α)ⁱ Y_t-i + (1 – α)^t S₀

توضح هذه الصيغة التراكمية الموسعة أن القيمة المنعمة هي تركيب خطي لجميع المشاهدات الماضية، حيث يتناقص وزن كل مشاهدة سابقة بمقدار القوة المرفوعة للأس i للمعامل (1 – α). ولإثبات السلامة الإحصائية لهذا التوزيع، نتحقق من تقارب مجموع هذه الأوزان اللانهائية إلى الواحد الصحيح باستخدام نظرية المتسلسلات الهندسية اللانهائية:

∑_i=0^∞ α(1 – α)ⁱ = α ∑_i=0^∞ (1 – α)ⁱ = α × [ 1 / (1 – (1 – α)) ] = α × [ 1 / α ] = 1

يثبت هذا الاشتقاق الجبري الأنيق أن التنعيم الأسي يمثل متوسطاً حسابياً موزوناً صحيحاً لا يعاني من أي تحيز تركيبي، وتتجلى حساسية التنبؤ تجاه أحدث البيانات بناءً على قيمة α؛ فكلما كانت α أكبر، استحوذت Y_t على النسبة العظمى من الوزن الرياضي، مما يقلل من حساسية النموذج للبيانات التراكمية الأقدم، والعكس صحيح.

2.2 تفسير معامل التنعيم (ألفا α) وديناميكية الاستجابة

يمثل المعامل α صمام التحكم الديناميكي في سرعة استجابة النموذج للتغيرات الهيكلية مقابل قدرته على تصفية الضوضاء العشوائية. يتراوح النطاق العملي للمعامل عادة بين 0.05 و 0.3 في التطبيقات الواقعية، على الرغم من أن مجاله الرياضي يمتد نظرياً عبر الفترة (0, 1).

عندما تقترب قيمة α من الصفر (مثل α = 0.05):

• يحصل النموذج على “ذاكرة تاريخية طويلة المدى”، حيث تتناقص أوزان الماضي ببطء شديد.
• يتميز المسار المنعم باستقرار فائق، ومقاومة عالية للتشتت والضجيج العشوائي عالي التردد.
• يعيب هذا الوضع البطء الشديد (Lag Effect) في التكيف مع التحولات الحقيقية في مستوى السلسلة، حيث يتأخر النموذج في إدراك الانعطافات الهيكلية.

وعلى النقيض تماماً، عندما تقترب قيمة α من الواحد الصحيح (مثل α = 0.9):

• تتركز الذاكرة الإحصائية بالكامل تقريباً في المشاهدة الأخيرة أو المشاهدتين السابقتين.
• يتكيف النموذج بصورة فورية ولحظية مع أي قفزة أو انخفاض في البيانات.
• يصبح النموذج شديد الهشاشة والحساسية تجاه التذبذبات الشاذة والضوضاء، مما يجعله “يتعقب الضجيج” بدلاً من استخلاص الإشارة الأساسية.

يمثل هذا التباين التجسيد الرياضي الكلاسيكي لمسألة المفاضلة بين التحيز والتباين (Bias-Variance Tradeoff)؛ فالقيم الصغرى لمعامل α تقلل التباين التقديري على حساب زيادة احتمالية التحيز في حال تغير المستوى، بينما القيم الكبرى تقلل التحيز اللحظي ولكنها تضخم تباين الأخطاء التنبؤية بصورة حادة.

2.3 معالجة الشروط الابتدائية وبدء السلسلة الحسابية

نظراً للطبيعة التكرارية لمعادلة التنعيم S_t = α Y_t + (1 – α) S_t-1، تبرز إشكالية جبرية حتمية عند اللحظة الزمنية الأولى t = 1، حيث تتطلب المعادلة معرفة القيمة السابقة S₀ (Initial State)، وهي قيمة غير متوفرة في السجل التاريخي الفعلي. ويمثل تحديد S₀ أحد التحديات المنهجية التي حظيت بنقاش واسع في الأدبيات القياسية.

توجد عدة استراتيجيات متبعة لحل هذه المعضلة الرياضية:

1. اعتماد المشاهدة الأولى (First Observation): وفيه توضع S₀ = Y₁. ورغم بساطة هذا الأسلوب وسهولة تطبيقه، إلا أنه يربط مسار السلسلة بالكامل بنقطة واحدة قد تكون مشوبة بخطأ عشوائي أو قيمة متطرفة، مما ينعكس سلباً على التقديرات الأولى.
2. متوسط عينة الإحماء (Average of Early Observations): وفيه تُحسب S₀ كمتوسط حسابي لعدد m من المشاهدات الأولى (مثلاً أول 4 أو 10 مشاهدات)، أي S₀ = (1/m) ∑_j=1^m Y_j. يقلل هذا النهج من تباين القيمة المبدئية ويمنح نقطة انطلاق أكثر اتزاناً.
3. الاستمثال المتزامن (Simultaneous Optimization / Backcasting): وتعتمد على معاملة S₀ كمعلمة حرة غير معلومة تُقدَّر بالتزامن مع معامل التنعيم α عبر تعظيم دالة الإمكان الأعظم (Maximum Likelihood) أو تصغير مجموع مربعات الأخطاء (SSE).

من الناحية النظرية، يتلاشى أثر الخطأ في تقدير القيمة الابتدائية S₀ بمعدل أسي يحكمه الحد (1 – α)^t. فإذا كانت السلسلة الزمنية طويلة بما يكفي (مثلاً n > 50)، فإن وزن S₀ يؤول عملياً إلى الصفر في الفترات المتقدمة، مما يجعل تأثير الاختيار المبدئي مهملاً على التوقعات البعيدة، غير أنه يظل مؤثراً تأثيراً جوهرياً في السلاسل القصيرة والتنبؤات الاستهلالية.

3. التنعيم الأسي البسيط (Simple Exponential Smoothing – SES)

3.1 الافتراضات الإحصائية وحالات الاستخدام المثالية

يمثل التنعيم الأسي البسيط (Simple Exponential Smoothing – SES) النموذج الأساسي والأبسط في هذه العائلة الرياضية. يستند النموذج إلى افتراض إحصائي محوري مفاده أن السلسلة الزمنية تتولد من عملية عشوائية مستقرة محلياً تتذبذب حول متوسط أفقي متغير ببطء، وتخلو تماماً من أي مكون واضح للاتجاه العام الصعودي أو الهبوطي (No Trend)، كما تخلو من أي دورات موسمية منتظمة (No Seasonality).

رياضياً، يمكن صياغة بنية توليد البيانات في نموذج SES على النحو التالي:
Y_t = ℓ_t-1 + ε_t
حيث تمثل ℓ_t-1 المستوى غير المرصود (Unobserved Level) للسلسلة عند الفترة t-1، بينما تمثل ε_t متتالية من الصدمات العشوائية المستقلة والموزعة توزيعاً طبيعياً بمتوسط صفري وتباين ثابت، أي ε_t ~ NID(0, σ²). ويتوافق هذا النموذج بنيوياً مع عمليات “المشي العشوائي المضاف إليه تشويش أبيض” (Random Walk plus Noise Model).

يعد نموذج SES مثالياً للتطبيق في الحالات الآتية:

• البيانات الفسيولوجية الخالية من التواتر الدوري اليومي، مثل رصد مستويات الأكسجين في الدم أو المؤشرات الحيوية اللحظية للمرضى في غرف العناية الحثيثة.
• تتبع المتغيرات السلوكية والانفعالية قصيرة الأجل المقاسة عبر استبيانات التقييم اللحظي البيئي (Ecological Momentary Assessment – EMA) حيث تتذبذب الحالات المزاجية حول خط أساس شخصي.
• إدارة المخزون للسلع الاستهلاكية سريعة الحركة التي دخلت مرحلة النضج وتتميز بطلب مستقر خالٍ من التأثيرات الموسمية والنمو المتسارع.

تتجلى الحدود التنبؤية لنموذج SES في اقتصاره على الآفاق الزمنية القصيرة؛ إذ يفقد النموذج فاعليته التحليلية عند محاولة استشراف المستقبل البعيد بسبب ثبات افتراضاته للمستوى.

3.2 الخوارزمية الرياضية لحساب التوقعات المستقبلية

تعتمد خوارزمية التنبؤ بنموذج التنعيم الأسي البسيط على صياغة معادلتين متكاملتين: معادلة تحديث المستوى (Level Update Equation) ومعادلة توليد التوقعات (Forecast Equation). وتكتب معادلة المستوى عند اللحظة t كالتالي:

ℓ_t = α Y_t + (1 – α) ℓ_t-1

حيث تمثل ℓ_t التقدير الأفضل للمستوى الحقيقي للسلسلة بعد مشاهدة Y_t. أما معادلة التنبؤ لخطوة زمنية واحدة للأمام h = 1 أو لأي عدد h من الخطوات المستقبلية انطلاقاً من اللحظة الزمنية T، فتأخذ الشكل التالي:

ŷ_T+h|T = ℓ_T, quad forall h ge 1

توضح هذه الصيغة أن دالة التنبؤ لنموذج SES تنتج ما يُعرف بـ “الأفق التنبؤي المسطح” (Flat Forecast Horizon)؛ إذ إن التوقع المستقبلي لأي فترة زمنية قادمة T+h، مهما كانت بعيدة، يظل مساوياً لآخر مستوى محسوب ℓ_T. يرجع ذلك منطقياً إلى غياب معلومات عن الاتجاه أو الموسمية، مما يجعل آخر مستوى مرصود هو التقدير غير المتحيز الأمثل للمستقبل.

يُحسب خطأ التنبؤ اللحظي لخطوة واحدة للأمام (One-step-ahead Forecast Error) بالصيغة: e_t = Y_t – ŷ_t|t-1 = Y_t – ℓ_t-1. وبإعادة ترتيب معادلة المستوى، يمكننا صياغتها بدلالة الخطأ التنبئي: ℓ_t = ℓ_t-1 + α e_t، مما يوضح أن المستوى الجديد ينتج عن تعديل المستوى السابق بجزء نسبي من خطأ التنبؤ غير المتوقع.

أما بخصوص فترات الثقة التنبؤية (Prediction Intervals) عند مستوى ثقة (1 – α_sig)، فإنها تتوسع مع زيادة أفق التنبؤ h لتعكس تراكم عدم اليقين، وتحسب كالتالي:
ŷ_T+h|T ± z_crit × σ_h
حيث يُحسب الانحراف المعياري التنبئي لخطوات h عبر الصيغة الإحصائية:
σ_h = σ × √[ 1 + ∑_j=1^h-1 α² ] = σ × √[ 1 + (h – 1) α² ]
مما يبرهن رياضياً على أن فترة الثقة تتسع تدريجياً كلما تقدمنا في الأفق الزمني h بمعدل يعتمد طردياً على قيمة المعامل α.

3.3 دراسة حالة تطبيقية مفصلة بالأرقام لنموذج SES

لتوضيح الآلية الرياضية خطوة بخطوة، نفترض سلسلة زمنية تجريبية تمثل قياسات هرمون الكورتيزول لعينة سلوكية على مدار 8 فترات زمنية متتالية: Y = [12.0, 14.5, 13.0, 15.2, 16.0, 14.8, 17.1, 16.5]. سنقوم بتطبيق نموذج SES باستخدام قيمتين مختلفتين لمعامل التنعيم: قيمة متحفظة α = 0.2 وقيمة استجابية سريعة α = 0.8، مع تثبيت القيمة الابتدائية عند المشاهدة الأولى ℓ₀ = 12.0.

أولاً: الحسابات عند α = 0.2:

• الفترة 1: Y₁ = 12.0 | التنبؤ: ŷ₁ = ℓ₀ = 12.000 | الخطأ: e₁ = 12.0 – 12.000 = 0.000 | المستوى: ℓ₁ = 0.2(12.0) + 0.8(12.000) = 12.000
• الفترة 2: Y₂ = 14.5 | التنبؤ: ŷ₂ = ℓ₁ = 12.000 | الخطأ: e₂ = 14.5 – 12.000 = 2.500 | المستوى: ℓ₂ = 0.2(14.5) + 0.8(12.000) = 12.500
• الفترة 3: Y₃ = 13.0 | التنبؤ: ŷ₃ = ℓ₂ = 12.500 | الخطأ: e₃ = 13.0 – 12.500 = 0.500 | المستوى: ℓ₃ = 0.2(13.0) + 0.8(12.500) = 12.600
• الفترة 4: Y₄ = 15.2 | التنبؤ: ŷ₄ = ℓ₃ = 12.600 | الخطأ: e₄ = 15.2 – 12.600 = 2.600 | المستوى: ℓ₄ = 0.2(15.2) + 0.8(12.600) = 13.120
• الفترة 5: Y₅ = 16.0 | التنبؤ: ŷ₅ = ℓ₄ = 13.120 | الخطأ: e₅ = 16.0 – 13.120 = 2.880 | المستوى: ℓ₅ = 0.2(16.0) + 0.8(13.120) = 13.696
• الفترة 6: Y₆ = 14.8 | التنبؤ: ŷ₆ = ℓ₅ = 13.696 | الخطأ: e₆ = 14.8 – 13.696 = 1.104 | المستوى: ℓ₆ = 0.2(14.8) + 0.8(13.696) = 13.917
• الفترة 7: Y₇ = 17.1 | التنبؤ: ŷ₇ = ℓ₆ = 13.917 | الخطأ: e₇ = 17.1 – 13.917 = 3.183 | المستوى: ℓ₇ = 0.2(17.1) + 0.8(13.917) = 14.553
• الفترة 8: Y₈ = 16.5 | التنبؤ: ŷ₈ = ℓ₇ = 14.553 | الخطأ: e₈ = 16.5 – 14.553 = 1.947 | المستوى: ℓ₈ = 0.2(16.5) + 0.8(14.553) = 14.943

مجموع مربعات الأخطاء (SSE) عند α = 0.2 يُحسب كالتالي: SSE_0.2 = 0² + 2.5² + 0.5² + 2.6² + 2.88² + 1.104² + 3.183² + 1.947² = 30.693.

ثانياً: الحسابات عند α = 0.8:

• الفترة 1: Y₁ = 12.0 | ŷ₁ = 12.000 | e₁ = 0.000 | ℓ₁ = 0.8(12.0) + 0.2(12.0) = 12.000
• الفترة 2: Y₂ = 14.5 | ŷ₂ = 12.000 | e₂ = 2.500 | ℓ₂ = 0.8(14.5) + 0.2(12.0) = 14.000
• الفترة 3: Y₃ = 13.0 | ŷ₃ = 14.000 | e₃ = -1.000 | ℓ₃ = 0.8(13.0) + 0.2(14.0) = 13.200
• الفترة 4: Y₄ = 15.2 | ŷ₄ = 13.200 | e₄ = 2.000 | ℓ₄ = 0.8(15.2) + 0.2(13.2) = 14.800
• الفترة 5: Y₅ = 16.0 | ŷ₅ = 14.800 | e₅ = 1.200 | ℓ₅ = 0.8(16.0) + 0.2(14.8) = 15.760
• الفترة 6: Y₆ = 14.8 | ŷ₆ = 15.760 | e₆ = -0.960 | ℓ₆ = 0.8(14.8) + 0.2(15.76) = 14.992
• الفترة 7: Y₇ = 17.1 | ŷ₇ = 14.992 | e₇ = 2.108 | ℓ₇ = 0.8(17.1) + 0.2(14.992) = 16.678
• الفترة 8: Y₈ = 16.5 | ŷ₈ = 16.678 | e₈ = -0.178 | ℓ₈ = 0.8(16.5) + 0.2(16.678) = 16.536

مجموع مربعات الأخطاء (SSE) عند α = 0.8 يُحسب كالتالي: SSE_0.8 = 0² + 2.5² + (-1.0)² + 2.0² + 1.2² + (-0.96)² + 2.108² + (-0.178)² = 17.126.

يوضح هذا التحليل المقارن أن المعامل α = 0.8 حقق أداءً تنبؤياً أفضل بكثير داخل العينة وخفض مجموع مربعات الأخطاء بنسبة تقارب 44%، والسبب يعود إلى أن السلسلة التجريبية تتضمن اتجاهاً تصاعدياً ضمنياً (من 12 إلى 16.5)، مما جعل النموذج ذا التكيف السريع يتفوق على النموذج المحافظ الذي عانى من تخلف مرحلي منهجي (Lagging).

4. التنعيم الأسي المزدوج ونموذج هولت للاتجاه الخطي (Double Exponential Smoothing)

4.1 هيكلية نموذج هولت ومكون الاتجاه العام (Trend Component)

عندما تتضمن السلسلة الزمنية مساراً تصاعدياً أو تنازلياً مستمراً، يعجز نموذج SES عن مواكبة هذه الديناميكية ويولد توقعات متحيزة باستمرار تتخلف عن الواقع. لمعالجة هذا القصور الجوهري، طور تشارلز هولت عام 1957 نموذج التنعيم الأسي المزدوج (Double Exponential Smoothing)، الذي يعتمد على تفكيك السلسلة إلى معادلتين متزامنتين للحالة: معادلة لتقدير المستوى الأساسي (Level – ℓ_t)، ومعادلة لتقدير معدل التغير أو الميل الخطي للاتجاه (Slope/Trend – b_t).

تتم صياغة معادلات نموذج هولت الخطي رياضياً عبر المنظومة التالية:

ℓ_t = α Y_t + (1 – α) (ℓ_t-1 + b_t-1)
b_t = β^* (ℓ_t – ℓ_t-1) + (1 – β^*) b_t-1
ŷ_t+h|t = ℓ_t + h b_t

حيث يمثل α معامل تنعيم المستوى (0 < α < 1)، بينما يمثل β^* معامل تنعيم الاتجاه (0 < β^* < 1). تعمل معادلة المستوى على الجمع الموزون بين المشاهدة الحالية Y_t والتقدير المتوقع للمستوى من الفترة السابقة (ℓ_t-1 + b_t-1). أما معادلة الاتجاه فتحسب التقدير اللحظي للميل عبر دمج التغير الفعلي المتحقق في المستوى (ℓ_t – ℓ_t-1) مع الميل المحسوب سابقاً b_t-1.

تتولد التوقعات المستقبلية لأي أفق h كدالة خطية مستقيمة تنطلق من آخر تقدير للمستوى ℓ_t وتتزايد أو تتناقص بمقدار ثابت قدره h b_t. تتيح هذه البنية التقاط الاتجاهات الخطية بكفاءة استثنائية، وتضمن تعديل تقدير الميل بصورة ديناميكية كلما طرأت تحولات تدريجية على معدل نمو الظاهرة.

4.2 تخميد الاتجاه العام (Damped Trend Method)

أظهرت الدراسات التجريبية الموسعة في مجال المسابقات التنبؤية الكبرى (مثل مسابقات M-Competitions التي قادها سبايروس ماكريداكيس) أن نموذج هولت الخطي يعاني من عيب هيكلي يتمثل في “المبالغة في التنبؤ الخطي” (Overshooting) على الآفاق المتوسطة والطويلة. ففي الواقع الاقتصادي والسلوكي والطبيعي، نادراً ما تستمر الاتجاهات في النمو الخطي اللانهائي، بل تصطدم دوماً بقيود السعة، أو آليات التوازن، أو التشبع المعرفي والسلوكي.

لتجاوز هذه المشكلة، اقترح الباحثان غاردنر وماكنزي (Gardner & McKenzie, 1985) إدخال “معامل التخميد” (Damping Parameter – ϕ). يقوم نموذج الاتجاه المخمد (Damped Trend) بضغط الميل التنبئي تدريجياً حتى يتلاشى ويصل إلى خط مستوٍ في المستقبل البعيد. وتصاغ معادلاته على النحو التالي:

ℓ_t = α Y_t + (1 – α) (ℓ_t-1 + ϕ b_t-1)
b_t = β^* (ℓ_t – ℓ_t-1) + (1 – β^*) ϕ b_t-1
ŷ_t+h|t = ℓ_t + (∑_j=1^h ϕ^j) b_t = ℓ_t + (ϕ + ϕ² + … + ϕ^h) b_t

يقيد معامل التخميد بالمدى الإحصائي 0 < ϕ < 1. فإذا كانت ϕ = 1، يعود النموذج متطابقاً تماماً مع نموذج هولت الخطي غير المخمد. أما إذا كانت ϕ < 1، فإن التوقعات المستقبلية تتقارب مقاربياً (Asymptotically) مع تقدم الأفق h نحو قيمة حدية نهائية قدرها:
lim_{h → ∞} ŷ_t+h|t = ℓ_t + [ ϕ / (1 – ϕ) ] b_t
مما يمنع الانفجار الرياضي للتنبؤات ويوفر ملاءمة واقعية خارقة في نمذجة منحنيات التعلم الإنساني وتراكم المهارات التي تشهد تباطؤاً حتمياً بعد فترات النمو الأولى.

4.3 الضبط الرياضي لمعاملات هولت وتفسير مساراتها

يتطلب التطبيق الاحترافي لنموذج هولت فهماً عميقاً للتفاعل الحركي بين معلمات المستوى α ومعلمات الاتجاه β^* ومعامل التخميد ϕ. لا تعمل هذه المعاملات بمعزل عن بعضها البعض، بل تحكمها شروط استقرار رياضي صارمة لضمان عدم تباعد النظام التكراري وفقدانه للاتزان الحسابي.

في فضاء المعاملات الإحصائي التقليدي، تشترط النماذج القيود البديهية المستقلة: 0 < α < 1 و 0 < β^* < 1. غير أن التحليل الطيفي والجبري المعاصر لنموذج فضاء الحالة المرتبط بهولت يثبت أن الشروط الضرورية والكافية للاستقرارية (Invertibility & Stability Conditions) تسمح بفضاء أوسع ولكنه مقيد بالمتراجحات الآتية:
0 < α < 2, quad 0 < β^* < 4 – 2α, quad β^* < 2(2 – α) / α
تضمن هذه الشروط الجبرية ألا تؤدي أخطاء التنبؤ إلى تضخيم المسارات المستقبلية بصورة انفجارية.

يؤثر التباين في قيم β^* على سلوك النموذج؛ حيث تؤدي القيم الصغيرة لـ β^* إلى تثبيت ميل الاتجاه وجعله مقاوماً للتغيرات اللحظية، معتبراً أي انحرافات طارئة مجرد ضوضاء عابرة في المستوى. بينما تعبر القيم المرتفعة لـ β^* عن حساسية فائقة، تجعل النموذج يفسر أي قفزتين متتاليتين في البيانات كتحول جذري في ميل الاتجاه، مما يغير زاوية الإسقاط التنبئي فوراً. يوضح هذا التوازن أهمية استخدام خوارزميات الاستمثال المقيد لتحديد القيم المثلى لهذه المعلمات بناءً على طبيعة السلسلة الزمنية.

5. التنعيم الأسي الثلاثي ونموذج هولت-وينترز للموسمية (Holt-Winters Method)

5.1 النموذج الجمعي للموسمية (Additive Holt-Winters)

يمثل نموذج التنعيم الأسي الثلاثي، المعروف عالمياً باسم نموذج هولت-وينترز (Holt-Winters Method)، القمة التطورية للتنعيم الكلاسيكي؛ إذ يدمج المكونات الثلاثة الأساسية للسلسلة: المستوى (Level)، والاتجاه (Trend)، والموسمية (Seasonality). يُستخدم النموذج الجمعي (Additive Seasonal Model) عندما تكون سعة التقلبات الدورية أو الموسمية ثابتة ومستقلة تماماً عن المستوى العام للسلسلة الزمنية، أي عندما تظل قمم وقيعان التموجات بنفس الحجم المطلق حتى مع ارتفاع السلسلة أو انخفاضها بمرور السنوات.

إذا افترضنا أن طول الدورة الموسمية هو m (مثلاً m = 12 للبيانات الشهرية، أو m = 4 للبيانات الربعية، أو m = 24 للبيانات الساعية)، فإن المنظومة الرياضية للنموذج الجمعي تُصاغ عبر أربع معادلات دقيقة:

ℓ_t = α (Y_t – s_t-m) + (1 – α) (ℓ_t-1 + b_t-1)
b_t = β^* (ℓ_t – ℓ_t-1) + (1 – β^*) b_t-1
s_t = γ (Y_t – ℓ_t-1 – b_t-1) + (1 – γ) s_t-m
ŷ_t+h|t = ℓ_t + h b_t + s_t+h-m(k+1)

حيث تمثل s_t المعامل الموسمي المنعم للحظة t، ويمثل γ (جاما) معامل تنعيم الموسمية (0 < γ < 1 – α)، ويمثل k الجزء الصحيح من (h – 1)/m لضمان تكرار الفهارس الموسمية الصحيحة عبر الدورات المستقبلية. تعمل معادلة المستوى أولاً على إزالة الأثر الموسمي من المشاهدة الحالية بطرح s_t-m، ثم تحديث المستوى. وتعمل معادلة الموسمية على تحديث المؤشر الموسمي بمقارنة المشاهدة بالمستوى المتوقع، وتنعيم هذا الفارق مع المؤشر الموسمي للدورة السابقة.

يعد هذا النموذج ملائماً تماماً لدراسة الظواهر الحيوية والنفسية ذات الإيقاع البيولوجي الثابت (Circadian Rhythms) كدرجات حرارة الجسم أو مستويات اليقظة والانتباه التي تتغير دورياً على مدار 24 ساعة بسعات تذبذب مطلقة وثابتة بغض النظر عن خط الأساس للمفحوص.

5.2 النموذج الضربي للموسمية (Multiplicative Holt-Winters)

في الغالبية الساحقة من الظواهر الاقتصادية والطلب الاستهلاكي والأنشطة الرقمية، لا تكون التقلبات الموسمية ثابتة الحجم المطلق، بل تتسع وتضيق طردياً وتناسبياً مع تغير المستوى العام للسلسلة. فعندما يتضاعف المبيعات أو النشاط الإجمالي، فإن ذروة الموسم تتضاعف أيضاً كنسبة مئوية وليس كمقدار جمعي ثابت. هنا يتعين استخدام النموذج الضربي (Multiplicative Holt-Winters Model).

تُعبر المعادلات الرياضية للنموذج الضربي عن الموسمية كمعاملات نسبية (Indices) تتذبذب حول القيمة 1.0 (حيث تمثل 1.2 زيادة بنسبة 20%، بينما تمثل 0.85 انخفاضاً بنسبة 15%)، وتكتب المعادلات كالتالي:

ℓ_t = α (Y_t / s_t-m) + (1 – α) (ℓ_t-1 + b_t-1)
b_t = β^* (ℓ_t – ℓ_t-1) + (1 – β^*) b_t-1
s_t = γ (Y_t / (ℓ_t-1 + b_t-1)) + (1 – γ) s_t-m
ŷ_t+h|t = (ℓ_t + h b_t) × s_t+h-m(k+1)

يتميز هذا الاشتقاق الجبري بإجراء عملية إزالة الموسمية (Deseasonalization) في معادلة المستوى عبر القسمة (Y_t / s_t-m) بدلاً من الطرح. وبالمثل، يُحسب التحديث الموسمي عبر قسمة المشاهدة على المستوى الأساسي، بينما تتولد التوقعات المستقبلية بضرب المركب الخطي للاتجاه والمستوى في المعامل الموسمي النسبي المقابل.

تجدر الإشارة إلى وجود قيد رياضي صارم في النموذج الضربي: يجب أن تكون جميع مشاهدات السلسلة الزمنية موجبة تماماً (Y_t > 0)؛ إذ إن وجود قيم صفرية أو سالبة يؤدي إلى انهيار العمليات الحسابية بسبب القسمة على الصفر أو توليد إشارات معكوسة للمؤشرات الموسمية. وفي حال وجود قيم غير موجبة، يمكن اللجوء إلى التحويلات اللوغاريتمية أو الاعتماد على النموذج الجمعي بعد ضبط الإزاحة.

5.3 تحديد طول الدورة الموسمية وتقدير المعاملات المبدئية

يتطلب التطبيق الناجح لنموذج هولت-وينترز تحديداً إحصائياً دقيقاً لمعلمتين أوليتين: طول التردد الموسمي m، ومصفوفة القيم الابتدائية للحالة (ℓ₀, b₀, s_{-(m-1)}, …, s0}). يتم الكشف عن m عادة بناءً على السياق الزمني للبيانات، أو عبر فحص قمم دالة الارتباط الذاتي (ACF) عند الإزاحات ذات الدلالة الإحصائية، أو باستخدام تحليل طيف الكثافة الترددية (Periodogram/Spectral Analysis).

لتهيئة القيم المبدئية يدوياً قبل بدء خوارزمية التنعيم، تُتبع الخطوات القياسية المعتمدة على المتوسطات المتحركة المتمركزة (Centered Moving Averages – CMA):

1. يُحسب المستوى المبدئي ℓ₀ والميل المبدئي b₀ عبر إجراء انحدار خطي بسيط على الدورة الزمنية الأولى أو الدورتين الأوليين (أول 2m مشاهدة).
2. تُحسب المكونات الموسمية المبدئية بطرح المتوسط المتحرك المتمركز من السلسلة الأصلية (في النموذج الجمعي)، أو بقسمة السلسلة الأصلية عليه (في النموذج الضربي).
3. يتم حساب متوسط المعاملات الموسمية لكل فترة عبر الدورات المتاحة للحصول على المتجه الأولي [s₁, s₂, …, s_m].
4. تُجرى عملية “تطبيع إحصائي” (Normalization) إجبارية لضمان استقرار النموذج: في النموذج الجمعي، يُعدل المجموع ليكون مساوياً للصفر تماماً ∑_j=1^m s_j = 0 عبر طرح المتوسط من كل معامل؛ وفي النموذج الضربي، يُعدل المجموع ليكون مساوياً لطول الدورة ∑_j=1^m s_j = m (أي بمتوسط حسابي قدره 1.0) عبر قسمة كل معامل على المتوسط العام للأوزان.

يوفر هذا الضبط الأولي نقطة انطلاق رياضية قوية تمنع تشوه المعلمات عند تطبيق خوارزميات الاستمثال غير الخطي لتقدير معاملات التنعيم (α, β^*, γ, ϕ).

6. إطار فضاء الحالة ونماذج الابتكار (State Space Models & ETS Framework)

6.1 مصفوفة تصنيف نماذج ETS (Error, Trend, Seasonal)

على مدار عقود طويلة، كانت طرق التنعيم الأسي تُعامل كمجرد خوارزميات استدلالية نقطية مخصصة لتوليد تنبؤات متوسطة (Point Forecasts) دون بنية احتمالية متكاملة لحساب فترات الثقة بدقة. وقد أحدث روب هايندمان وزملاؤه (Hyndman et al., 2002, 2008) ثورة في هذا المضمار بتأسيس إطار ETS الإحصائي (Error, Trend, Seasonal) المستند إلى نماذج فضاء الحالة أحادية مصدر الابتكار (Single Source of Error State Space Models).

يُصنف هذا الإطار النماذج عبر مصفوفة ثلاثية الأبعاد تجمع بين خيارات المكونات البنيوية:

• مكون الخطأ (Error – E): إما جمعي (Additive – A) أو ضربي (Multiplicative – M).
• مكون الاتجاه (Trend – T): إما غائب (None – N)، أو جمعي خطي (Additive – A)، أو جمعي مخمد (Additive Damped – A_d)، أو ضربي (Multiplicative – M)، أو ضربي مخمد (Multiplicative Damped – M_d).
• مكون الموسمية (Seasonal – S): إما غائب (None – N)، أو جمعي (Additive – A)، أو ضربي (Multiplicative – M).

ينتج عن هذه التوليفات التركيبية 30 نموذجاً رياضياً محتملاً (مثل ETS(A,N,N) المكافئ للتنعيم الأسي البسيط ذي الأخطاء الجمعية، و ETS(M,A,M) الذي يمثل نموذج هولت-وينترز الضربي مع أخطاء ضربية). وتصاغ كافة هذه النماذج عبر زوج موحد من المعادلات:
معادلة القياس والمشاهدة (Measurement Equation):
Y_t = w(x_t-1) + r(x_t-1) ε_t
معادلة الانتقال والحالة (Transition Equation):
x_t = f(x_t-1) + g(x_t-1) ε_t
حيث يمثل x_t = [ℓ_t, b_t, s_t, …, s_t-m+1]^T متجه الحالة غير المرصود، بينما تمثل ε_t ~ NID(0, σ²) ابتكار الصدمة البيضاء المستقلة. يكمن الابتكار العبقري لنماذج ETS في استخدام مصدر وحيد ومشترك للخطأ ε_t يدخل في معادلة القياس ومعادلة تحديث الحالة في آن واحد، مما يجعل التقدير الاحتمالي دقيقاً ومغلقاً رياضياً.

6.2 تقدير الاحتمالية العظمى وفترات الثقة التوزيعية

بفضل الصياغة الاحتمالية الصارمة لإطار فضاء الحالة، لم يعد تقدير معلمات التنعيم مقتصراً على الطرق الاستدلالية لتصغير مربعات الأخطاء، بل أصبح بالإمكان تطبيق طريقة الإمكان الأعظم (Maximum Likelihood Estimation – MLE) بكامل رصانتها الإحصائية. بافتراض أن الابتكارات ε_t تتبع توزيعاً طبيعياً متطابقاً، تصاغ دالة اللوغاريتم للاحتمالية (Log-Likelihood Function) لنموذج ETS ذي الأخطاء الجمعية كالتالي:

ln L(θ, x₀ | Y) = – (n / 2) ln(2π) – (n / 2) ln(σ²) – (1 / (2σ²)) ∑_t=1ⁿ ε_t²

حيث يمثل θ = (α, β, γ, ϕ) متجه المعلمات المقدرة، ويمثل x₀ متجه الحالة الابتدائية. أما في حالة النماذج ذات الأخطاء الضربية، فإن دالة اللوغاريتم للإمكان تتضمن حداً تصحيحياً إضافياً ليعقوبية التحويل (Jacobian):

ln L(θ, x₀ | Y) = – (n / 2) ln(2π) – (n / 2) ln(σ²) – (1 / (2σ²)) ∑_t=1ⁿ ε_t² – ∑_t=1ⁿ ln |w(x_t-1)|

يتيح هذا التأسيس الاحتمالي اشتقاق التوزيعات التنبؤية الشرطية الكاملة P(Y_T+h | Y₁, …, Y_T) تحليلياً لمعظم النماذج الخطية، واستخراج فترات الثقة بدقة رياضية متناهية. وفي الحالات التي تكون فيها النماذج لاخطية بالكامل (كالنماذج ذات الأخطاء الضربية والاتجاه الجمعي)، يتم توليد فترات التنبؤ عبر المحاكاة الحاسوبية المعتمدة على التجزيء وإعادة أخذ العينات (Bootstrapping) لتوليد آلاف المسارات المستقبلية المحتملة وحساب المئينات الإحصائية منها دون فرض قيود التوزيع الطبيعي المقيد.

6.3 معايير الاختيار الآلي للنماذج (Model Selection Criteria)

يوفر إطار ETS حلاً منهجياً شاملاً لمشكلة الاختيار بين النماذج المتنافسة دون الوقوع في شرك الإفراط في التخصيص (Overfitting). فبدلاً من الاعتماد على الفحص اليدوي الذاتي، يتم توظيف معايير نظرية المعلومات الإحصائية التي توازن بين جودة ملاءمة النموذج للبيانات ودرجة تعقيده الرياضي (عدد المعلمات الحرة k).

أبرز المعايير المستخدمة في المفاضلة الآلية:

• معيار أكايكي للمعلومات (Akaike Information Criterion – AIC):
  AIC = -2 ln(L) + 2k
• معيار أكايكي المصحح للعينات المحدودة (Corrected AIC – AICc):
  AICc = AIC + [ 2k(k + 1) / (n – k – 1) ]

  ويعد المعيار الأساسي المفضل عالمياً في حزم تحليل السلاسل الزمنية، نظراً لأنه يفرض عقوبة تصاعدية قوية عندما يكون حجم العينة n صغيراً بالنسبة لعدد المعلمات k، مما يمنع اختيار نماذج معقدة عشوائياً.

• معيار المعلومات البايزي (Bayesian Information Criterion – BIC):
  BIC = -2 ln(L) + k ln(n)

  ويفرض عقوبة أشد قسوة على تعقيد المعلمات مقارنة بـ AIC كلما كبر حجم العينة.

تعتمد الخوارزميات الآلية المعاصرة على تدريب وتلائم جميع النماذج المستقرة الثلاثين الممكنة على السلسلة الزمنية، ثم حساب قيمة AICc لكل نموذج، واختيار النموذج الحائز على أدنى قيمة كنموذج أمثل إحصائياً لتوليد التوقعات النهائية.

7. آليات تحسين المعلمات وضبط الأوزان الفائقة (Optimization & Hyperparameter Tuning)

7.1 دوال الهدف الرياضية للتحسين (Loss Functions)

تعتمد جودة التنبؤ النهائي للنموذج على المعايير الإحصائية المستخدمة في معايرة وضبط معلمات التنعيم (α, β^*, γ, ϕ) والقيم الابتدائية x₀. وتحدد دالة الفقد (Loss Function / Objective Function) المعنى الرياضي لمفهوم “النموذج الأفضل”.

تتنوع دوال الهدف المستخدمة وفقاً لطبيعة المسألة وأهداف التحليل:

1. مجموع مربعات الأخطاء (Sum of Squared Errors – SSE):
   SSE = ∑_t=1ⁿ (Y_t – ŷ_t|t-1)²

   وهي الدالة الكلاسيكية الأكثر شيوعاً؛ حيث تتطابق حلولها مع تقديرات الإمكان الأعظم في ظل افتراض توزيع الأخطاء الطبيعي متساوي التباين. تعاقب هذه الدالة الأخطاء الكبيرة بشدة نظراً للتربيع، مما يجعلها ممتازة في منع الانحرافات الكبرى لكنها حساسة للقيم الشاذة.

2. مجموع مطلق الأخطاء (Sum of Absolute Errors – SAE / MAE Loss):
   SAE = ∑_t=1ⁿ |Y_t – ŷ_t|t-1|

   توظف كدالة هدف قوية (Robust) للحد من تأثير المشاهدات المتطرفة والتوزيعات ذات الذيول الثقيلة، إذ تركز على التنبؤ بالوسيط الإحصائي (Median) بدلاً من المتوسط الحسابي.

3. دوال الفقد النسبية المئوية (MAPE-based Loss):
   وتستخدم لتقليل الأخطاء النسبية عند التعامل مع سلاسل متغيرة الأحجام بشدة، على الرغم من أنها قد تؤدي إلى تحيز نحو التنبؤ بأقل من الواقع بسبب انخفاض العقوبة الحسابية عند التقدير الأدنى.

7.2 الخوارزميات العددية للاستكمال والاستمثال

نظراً لأن معادلات التنعيم الأسي تصبح غير خطية في معلماتها عند تضمين معاملات الاتجاه والموسمية والتخميد (حيث تتداخل المعلمات عبر الحدود التكرارية داخل متسلسلات الجداء المتقاطع)، فإن إيجاد الحلول التحليلية المغلقة (Closed-form Analytical Solutions) عبر مساواة المشتقات بالصفر يعد أمراً مستحيلاً رياضياً. ومن ثم، يتحتم استخدام الخوارزميات العددية للاستكمال والاستمثال المقيد (Constrained Numerical Optimization).

تشمل أبرز الخوارزميات المستخدمة في هذا السياق:

• خوارزمية نيلدر-ميد البسيطة (Nelder-Mead Simplex Algorithm): وهي طريقة بحث مباشر لا تعتمد على حساب المشتقات، وتعمل عبر بناء متعدد سطوح (Simplex) في فضاء المعلمات يتوسع ويتقلص حتى يطوق النقطة الصغرى لدالة الفقد. وتتميز بالصلابة في مواجهة الدوال غير الملساء.
• خوارزمية L-BFGS-B (Limited-memory Broyden-Fletcher-Goldfarb-Shanno with Box constraints): وهي خوارزمية شبه نيوتنية متقدمة تستخدم تقديرات المشتقات المتجهة ومصفوفة هيسيان التقريبية مع فرض قيود حدودية صارمة (مثل قصر المعلمات داخل المجال [0, 1]). وتعد الخوارزمية القياسية المعتمدة في مكتبات الحوسبة المتقدمة لسرعتها الفائقة وتقاربها الدقيق.
• طرق البحث الشبكي والبحث العشوائي (Grid Search & Random Search): وتستخدم أحياناً كأداة تهيئة أولية لتقسيم فضاء المعلمات وتحديد مناطق البداية الواعدة، لتفادي مشكلة الوقوع في النقاط الصغرى المحلية (Local Minima) الناتجة عن عدم تقعر دوال الإمكان لبعض النماذج الضربية المعقدة.

7.3 التحقق المتقاطع للسلاسل الزمنية (Time Series Cross-Validation)

يواجه تقييم نماذج التنعيم وتوليف معلماتها إشكالية منهجية حاسمة عند تطبيق أساليب التحقق المتقاطع التقليدية كـ (K-Fold Cross Validation) المستخدمة في تعلم الآلة القياسي؛ إذ إن خلط البيانات عشوائياً يدمر الترتيب الزمني للسلسلة ويؤدي إلى ظاهرة تسرب البيانات المستقبلية (Look-ahead Bias / Data Leakage)، حيث يتنبأ النموذج بالماضي باستخدام معلومات من المستقبل.

للتغلب على هذه المشكلة المنهجية، يُطبق أسلوب التحقق المتقاطع المخصص للسلاسل الزمنية عبر آليتين رئيسيتين:

1. طريقة النافذة المتوسعة (Expanding Window / Rolling Origin Evaluation):
   وفيه نبدأ بتدريب النموذج على عينة أساسية أولية {Y₁, …, Y_k}، ونختبر التنبؤ عند Y_k+1 أو للآفاق k+h. ثم نوسع مجموعة التدريب بإضافة نقطة واحدة لتصبح {Y₁, …, Y_k+1} ونعيد التنبؤ عند Y_k+2، وهكذا دواليك عبر كامل مسار السلسلة.
2. طريقة النافذة المتدحرجة (Rolling/Sliding Window):
   وتعتمد على تثبيت طول نافذة التدريب (مثلاً w = 100 فترة)، بحيث يتم إسقاط أقدم مشاهدة كلما أضيفت مشاهدة جديدة، لاختبار قدرة المعلمات على الحفاظ على استقرارها وأدائها التنبئي عبر فترات زمنية متغيرة وديناميكية.

تضمن هذه الاستراتيجيات الصارمة الحصول على تقديرات واقعية غير متحيزة للخطأ التنبئي المعمم خارج العينة (Out-of-Sample Performance).

8. معالجة التشويش وتصفية الإشارات في البيانات السلوكية والنفسية

8.1 الربط بين التنعيم الأسي ومعالجة الإشارات الرقمية (DSP)

يمتد التنعيم الأسي بما يتجاوز كونه أداة إحصائية للتنبؤ ليشكل مفهوماً مركزياً في هندسة معالجة الإشارات الرقمية (Digital Signal Processing – DSP) وتحليل النظم؛ إذ يكافئ التنعيم الأسي البسيط رياضياً مرشح التمرير المنخفض المنفصل من الدرجة الأولى (First-Order Discrete Low-Pass Filter).

في التحليل الترددي، تعمل السلسلة الزمنية كإشارة مركبة تحتوي على ترددات منخفضة تمثل الاتجاهات الأساسية والتغيرات البطيئة في الظاهرة، وترددات عالية تمثل الضوضاء والتشويش العشوائي اللحظي. وتُعبر دالة الاستجابة الترددية للمرشح الأسي عن قدرته على تمرير الترددات البطيئة دون تعديل، وتخميد الترددات السريعة العالية بمعدل يتناسب مع معامل التنعيم α وفق التردد الحرج (Cutoff Frequency f_c) المحسوب بالصيغة:
f_c = (1 / 2π Δt) × arccos( 1 – (α² / (2(1 – α))) ) ≈ (α / (2π Δt √[1 – α]))

بالمقارنة مع مرشحات معالجة الإشارات الأخرى كمرشحات بتروورث (Butterworth Filters) أو مرشح كالمان (Kalman Filter)، يمثل التنعيم الأسي حالة خاصة خطية فائقة السرعة تتيح تصفية الإشارات في الزمن الحقيقي (Real-Time Filtering) بأقل عبء حوسبي ممكن ودون الحاجة لتقدير مصفوفات التغاير المعقدة للضوضاء، مما يجعله مثالياً لاستخراج الإشارات الكامنة من السجلات المشوشة.

8.2 التعامل مع القيم الشاذة والبيانات المفقودة في القياسات السلوكية

تتميز البيانات السلوكية والنفسية التطبيقية بميلها للاشتمال على تلوث إحصائي ناجم عن أخطاء الإدخال، أو الصدمات الحادة العابرة (Outliers)، أو الانقطاعات الزمنية في تسجيل المفحوصين (Missing Data). وتتطلب هذه التحديات تكييف خوارزميات التنعيم لمنع تشوه المسارات المقدرة.

فيما يخص القيم الشاذة، تسبب الصدمات المؤقتة الحادة قفزات مفاجئة في معادلات المستوى والاتجاه الكلاسيكية. ولمعالجة ذلك، طُوّرت نماذج التنعيم الأسي القوي (Robust Exponential Smoothing)، التي تعتمد على استبدال دوال التربيع بدوال فقد مقاومة مثل دالة هوبر (Huber loss) أو دالة بايويك (Tukey’s Biweight)، أو تعديل خطأ التنبؤ اللحظي عبر دالة تحديد العتبة (Winsorization / Clipping) كالتالي:
e_t^* = ψ_c(e_t / (k × σ̂_t))
حيث تُقمع الأخطاء التي تتجاوز حداً حرجاً معيناً (مثلاً 3 انحرافات معيارية)، مما يمنعها من تغيير تقديرات المستوى الأساسي للظاهرة.

أما بخصوص البيانات المفقودة، فتتألق الطبيعة التكرارية للتنعيم الأسي في إمكانية الاستيفاء اللحظي؛ فعند فقدان المشاهدة عند اللحظة t، يتم ببساطة تعيين خطأ التنبؤ مساوياً للصفر e_t = 0، فتصبح قيمة المستوى مساوية للتوقع السابق ℓ_t = ℓ_t-1 + b_t-1، وتستمر الخوارزمية في العمل بسلاسة وتحديث التوقعات دون انقطاع حتى تتوفر المشاهدة التالية مع التعديل الأسي للأوزان لتعويض الفجوة الزمنية.

8.3 تطبيقات التنعيم في القياسات النفسية المعاصرة

شهدت السنوات الأخيرة انفجاراً في استخدام منهجيات التنعيم الأسي داخل العلوم السلوكية والنفسية، مدفوعة بانتشار الهواتف الذكية والأجهزة القابلة للارتداء والتقييم اللحظي البيئي (EMA). ومن أبرز هذه التطبيقات:

• تتبع تقلبات المزاج والوجدان (Affective Dynamics): توفر البيانات المجمعة عدة مرات يومياً عبر الهواتف الذكية صورة عالية التشويش للحالة الوجدانية للأفراد؛ حيث يتيح استخدام التنعيم الأسي عزل المشاعر اللحظية العابرة الناتجة عن مواقف يومية طارئة، واستخلاص “خط المزاج الأساسي” (Baseline Affect) وسرعة استعادة التوازن النفسي (Affective Inertia & Recovery).
• معالجة الإشارات الفسيولوجية العصبية: تنعيم بيانات تقلب معدل ضربات القلب (Heart Rate Variability – HRV) والاستجابة الجلدية الكهربائية (Galvanic Skin Response – GSR) المسجلة لحظياً عبر الساعات الذكية لرصد مستويات التوتر المزمن بدقة عالية.
• تقييم مسارات الاستجابة للعلاج النفسي: رصد وتيرة التحسن في الأعراض الاكتئابية أو القلق لدى المرضى الخاضعين لبروتوكولات العلاج السلوكي المعرفي (CBT) عبر جلسات العلاج الأسبوعية، وفصل مسار التعافي الهيكلي طويل المدى عن التذبذبات الانتكاسية البسيطة.
• نظم الإنذار المبكر بالسلوكيات الخطرة: بناء نماذج تنبؤية فورية على الأجهزة المحمولة للكشف عن تدهور المؤشرات المزاجية ومؤشرات النوم، وإطلاق تنبيهات وقائية قبل حدوث انتكاسات الاضطرابات النفسية كالإدمان أو نوبات الاكتئاب الحاد.

9. مقاييس دقة التنبؤ وتقييم أداء النماذج الإحصائية

9.1 المقاييس المطلقة والتربيعية المعتمدة على الأخطاء

يعد التقييم الدقيق لأداء النماذج التنبؤية مرحلة حاسمة لاختيار النموذج الأكفأ للمهمة المطلوبة. وتستند المقاييس الإحصائية الكلاسيكية إلى تحليل مصفوفة أخطاء التنبؤ خارج العينة e_t = Y_t – ŷ_t عبر فترات الاختبار t = 1, …, N.

تشمل أهم المقاييس المعتمدة على الأخطاء المطلقة والتربيعية:

• متوسط الخطأ المطلق (Mean Absolute Error – MAE):
  MAE = (1 / N) ∑_t=1^N |Y_t – ŷ_t|

  ويقيس متوسط حجم الأخطاء بنفس وحدات القياس الأصلية للظاهرة، ويتميز بسهولة التفسير المباشر والصلابة النسبية ضد القيم المتطرفة.

• جذر متوسط مربعات الأخطاء (Root Mean Squared Error – RMSE):
  RMSE = √[ (1 / N) ∑_t=1^N (Y_t – ŷ_t)² ]

  وهو المقياس المفضل عندما تكون الأخطاء الكبيرة مكلفة للغاية وغير مرغوب فيها، حيث يفرض عقوبة تربيعية صارمة عليها مقارنة بالأخطاء الصغيرة.

• متوسط الخطأ المئوي المطلق (Mean Absolute Percentage Error – MAPE):
  MAPE = (100% / N) ∑_t=1^N | (Y_t – ŷ_t) / Y_t |

  ويعبر عن دقة التنبؤ كنسبة مئوية غير مرتبطة بوحدة القياس الأصلية. ورغم شعبيته الجارفة، إلا أنه يعاني من عيب رياضي خطير: ينفجر مقاربياً عندما تقترب المشاهدات الحقيقية Y_t من الصفر، ويصبح غير معرف تماماً عند القيم الصفرية، فضلاً عن تحيزه لمعاقبة التنبؤات المبالغ فيها بأشد مما يعاقب التنبؤات المنخفضة.

• المقياس المتماثل المئوي (Symmetric MAPE – sMAPE):
  sMAPE = (200% / N) ∑_t=1^N [ |Y_t – ŷ_t| / (|Y_t| + |ŷ_t|) ]

  وصُمم لتخفيف التحيز التوزيعي لـ MAPE، وتوفير مجال مغلق للأخطاء بين 0% و 200%.

9.2 المقاييس النسبية والمقياسية (Scaled Metrics)

عند مقارنة أداء نماذج التنعيم الأسي عبر مئات السلاسل الزمنية المتنوعة وذات المقاييس ووحدات القياس المختلفة تماماً، تفشل المقاييس التقليدية المذكورة سابقاً في توفير مقارنة موضوعية عادلة. ولمعالجة هذه المعضلة المنهجية، اقترح هايندمان وكوهلر (Hyndman & Koehler, 2006) استخدام المقاييس المعايرة مقياسياً.

يبرز على رأس هذه المقاييس متوسط الخطأ المطلق المقياسي (Mean Absolute Scaled Error – MASE)، الذي يعاير أخطاء النموذج المتقدم بالنسبة لمتوسط أخطاء نموذج التنبؤ الساذج الأول (Naïve Benchmark) المحسوب داخل عينة التدريب عبر الفروق الأولى:

حيث يُحسب معامل المقياس Q للسلاسل غير الموسمية كالتالي:

وللسلاسل الموسمية ذات الدورة m:

يوفر مقياس MASE تفسيراً بديهياً قاطعاً:

• إذا كانت MASE < 1: فإن النموذج المقترح يتفوق في دقته التنبؤية على النموذج الساذج، وتعد التوقعات ذات قيمة إحصائية مضافة.
• إذا كانت MASE = 1: فإن أداء النموذج يتطابق تماماً مع افتراض بقاء الغد مساوياً لليوم.
• إذا كانت MASE > 1: فإن النموذج يولد تنبؤات أسوأ من النموذج الساذج البسيط، مما يشير إلى فشل النموذج في استخلاص النمط الحقيقي أو معاناته من إفراط في التخصيص.

9.3 التشخيص الإحصائي لمتبقيات النموذج (Residual Diagnostics)

لا يكتمل التقييم العلمي للنموذج بمجرد فحص مقاييس الخطأ، بل يجب إجراء فحص إحصائي صارم لمتبقيات النموذج (Residuals) e_t = Y_t – ŷ_t|t-1 للتأكد من أن النموذج استنفد بالفعل كافة المعلومات المفيدة الكامنة في السلسلة.

تشترط النظرية الإحصائية أن تحقق المتبقيات للنموذج الجيد خاصية “الضوضاء البيضاء” (White Noise)، ويتم التحقق من ذلك عبر الاختبارات الثلاثة التالية:

1. اختبار عدم الارتباط الذاتي للمتبقيات (Independence):
   ويُفحص عبر اختبار ليونغ-بوكس (Ljung-Box Test):
   Q^* = n(n + 2) ∑_k=1^h (r̂_k² / (n – k))

   حيث تختبر الفرضية الصفرية H₀ القائلة بأن معاملات الارتباط الذاتي للمتبقيات حتى الإزاحة h تساوي صفراً إحصائياً. إذا كانت القيمة الاحتمالية p-value > 0.05، نقبل الفرضية الصفرية ونستنتج كفاية النموذج وعدم وجود معلومات متبقية مهملة.

2. اختبار التوزيع الطبيعي للمتبقيات (Normality):
   ويتم عبر تطبيق اختبار شابيرو-ويلك (Shapiro-Wilk) أو اختبار خارك-بيرا (Jarque-Bera) ورسم مخطط التجزيء الاحتمالي (Q-Q Plot)، لضمان صحة التوزيعات المستخدمة في فترات الثقة التنبؤية.
3. اختبار ثبات التباين (Homoscedasticity):
   ويفحص ما إذا كان تباين المتبقيات ثابتاً عبر الزمن أم يعاني من ظاهرة التباين المشروط المتغير ذاتياً (ARCH effects)، والتي تتطلب الانتقال من النماذج الجمعية إلى النماذج الضربية للخطأ.

10. المقارنة المعيارية بين التنعيم الأسي ونماذج السلاسل الزمنية الأخرى

10.1 المقارنة الرياضية والهيكلية مع نماذج أريما (ARIMA vs ETS)

تمثل مقارنة التنعيم الأسي بنماذج الانحدار الذاتي والمتوسطات المتحركة التكاملية (ARIMA التي أسسها بوكس وجينكينز) أحد أخصب الموضوعات في النظرية الإحصائية. ورغم أن كلا الإطارين يتعاملان مع نفس نوعية البيانات، إلا أن هناك فروقاً وتطابقات جبرية جوهرية بينهما.

من الناحية الرياضية، أثبتت الأدبيات القياسية وجود تكافؤ تام (Mathematical Equivalence) بين بعض نماذج التنعيم الأسي الخطية وحالات خاصة محددة بدقة من نماذج أريما:

• نموذج التنعيم الأسي البسيط SES(α) يتطابق رياضياً وتنبؤياً بالكامل مع نموذج ARIMA(0, 1, 1) المقيد، حيث تكون معادلة أريما (1 – B) Y_t = (1 – θ B) ε_t وتتحقق المطابقة التامة عند ضبط المعامل θ = 1 – α.
• نموذج هولت للاتجاه الخطي Holt(α, β^*) يتطابق رياضياً مع نموذج ARIMA(0, 2, 2) المقيد، حيث يكون جذر الفروق الثنائية (1 – B)² Y_t = (1 – θ₁ B – θ₂ B²) ε_t تحت قيود جبرية محددة على المعاملات θ₁, θ₂.
• نموذج هولت المخمد يتطابق مع نموذج ARIMA(1, 1, 2) حيث يرتبط معامل الانحدار الذاتي بقيمة معامل التخميد ϕ.

ورغم هذا التكافؤ في النطاق الخطي، يتفوق إطار ETS تفوقاً كاسحاً في قدرته الأصلية على تضمين اللاخطية عبر الأنماط الضربية للموسمية والأخطاء (Multiplicative Components) دون الحاجة لإجراء تحويلات بوكس-كوكس المعقدة، بينما يتفوق أريما في قدرته على نمذجة العلاقات الديناميكية الثابتة التي تظهر ارتباطات ذاتية دورية غير موسمية معقدة عبر حدود AR و MA الموسعة.

10.2 المقارنة مع نماذج التعلم الآلي والشبكات العصبية العميقة

مع الصعود الهائل لخوارزميات التعلم العميق مثل شبكات الذاكرة طويلة المدى (LSTM)، والشبكات العصبية التكرارية (RNN)، ونماذج المحولات الزمنية (Temporal Transformers / PatchTST)، ثار جدل واسع حول جدوى النماذج الإحصائية التقليدية كالتنعيم الأسي.

تثبت الدراسات المقارنة المحكمة والمسابقات التنبؤية العالمية الحقائق الآتية:

• كفاءة البيانات المحدودة: تتطلب شبكات التعلم العميق مئات الآلاف من نقاط البيانات للتدريب وتجنب الإفراط في التخصيص، بينما يستطيع التنعيم الأسي توليد تنبؤات عالية الدقة والموثوقية من سلاسل زمنية قصيرة للغاية تحتوي على 15 إلى 30 مشاهدة فقط.
• الكلفة الحوسبية وقابلية التوسع: يتطلب تدريب شبكات المحولات والـ LSTM موارد حوسبية ضخمة ووحدات معالجة رسومية (GPUs)، بينما تُقدر معلمات ETS في أجزاء من الألف من الثانية على معالجات بسيطة، مما يتيح التنبؤ الآني بملايين السلاسل الزمنية المتزامنة في بيئات الأعمال اللوجستية والإنتاجية.
• القابلية للتفسير البياني (Interpretability): توفر نماذج التنعيم الأسي تفكيكاً واضحاً وبديهياً للمكونات (المستوى، الاتجاه، الموسمية) يمكن فهمه وشرحه لمتخذي القرار بيسر، بخلاف نماذج الصندوق الأسود (Black-Box Models) في التعلم الآلي.
• النماذج الهجينة المتفوقة: أثبتت مسابقة M4 العالمية فوز النموذج الهجين ES-RNN الذي طوره الباحث سماكوفسكي (Smyl, 2020)، والذي دمج التنعيم الأسي لمعالجة التغيرات الموسمية والمستويات المحلية مع شبكات LSTM لالتقاط الأنماط اللاخطية المعقدة بين السلاسل، مؤكداً أن التنعيم الأسي يظل مكوناً حيوياً حتى في أحدث معماريات الذكاء الاصطناعي.

10.3 دليل اتخاذ القرار لاختيار المنهجية التنبؤية المثلى

لتوجيه الباحثين والممارسين نحو الاختيار المنهجي الرشيد بين النماذج المختلفة، تلخص مصفوفة المفاضلة التالية شروط ومعايير اختيار النموذج الأمثل:

• اختر التنعيم الأسي (ETS Framework) إذا:
  كانت السلسلة أحادية المتغير، أو قصيرة إلى متوسطة الطول (أقل من 1000 نقطة)، أو تحتوي على اتجاهات واضحة وتغيرات موسمية ضربية متناسبة مع المستوى، أو عند الحاجة لتوليد توقعات سريعة لآلاف السلاسل في الزمن الحقيقي، أو عندما تكون القابلية للتفسير الهندسي مطلوبة بوضوح.
• اختر نماذج أريما (ARIMA / SARIMA) إذا:
  كانت السلسلة مستقرة أو يمكن تحويلها للاستقرار بالفروق، وتتضمن ديناميكيات ارتباط ذاتي قوية ومعقدة لا تعتمد على الاتساع التناسبي، أو عندما تكون السلسلة طويلة نسبياً وخالية من السلوكيات الضربية غير الخطية.
• اختر نماذج التعلم العميق والآلي (Deep Learning / ML) إذا:
  كنت تتعامل مع مجموعات بيانات ضخمة جداً (Big Data) تشمل آلاف السلاسل الزمنية المترابطة معاً (Cross-learning)، وتتوفر متغيرات تفسيرية خارجية متعددة (Exogenous Variables)، مع توفر بنية تحتية حوسبية فائقة وتسامح مع غياب التفسير الخطي المباشر.

11. التنفيذ البرمجي العملي والتطبيقي عبر R و Python

11.1 التطبيق البرمجي المتقدم باستخدام مكتبات R (fable و forecast)

تعد بيئة لغة R البيئة الأكاديمية والتطبيقية الرائدة عالمياً لتحليل السلاسل الزمنية، بفضل المنظومة الحديثة المرتبطة بمختبر هايندمان الإحصائي. سنستعرض كيفية بناء مسار عمل تحليلي متكامل باستخدام حزمة fable الحديثة المعتمدة على كائنات السلاسل الزمنية المرتبة tsibble.

يتضمن مسار العمل الإحصائي في R المراحل التالية:

1. تحويل البيانات إلى بنية زمنية مرتبة: يتم تحويل الإطار البياني إلى كائن tsibble مع تعريف الفهرس الزمني (Index) والمتغير التابع بدقة.
2. تقدير النموذج الآلي واليدوي: يتم استدعاء دالة ETS() التي تقوم تلقائياً باختبار وتلائم النماذج الثلاثين واختيار النموذج الأمثل استناداً إلى معيار AICc، أو تحديد النموذج صراحة مثل ETS(Y ~ error("A") + trend("Ad") + season("M")) لنموذج ذي خطأ جمعي واتجاه مخمد وموسمية ضربية.
3. التشخيص الإحصائي للمتبقيات: استدعاء دالة gg_tsresiduals() لإنتاج لوحة بصرية متكاملة تشمل رسم المتبقيات عبر الزمن، ودالة الارتباط الذاتي للمتبقيات (ACF)، والمدرج التكراري مع منحنى التوزيع الطبيعي، بالإضافة لإجراء اختبار ليونغ-بوكس التلقائي عبر augment() |> features(.innov, ljung_box).
4. توليد وتصوير التوقعات وفترات الثقة: استخدام دالة forecast(h = "2 years") لتوليد التوزيع التنبئي الاحتمالي، ثم رسم النتائج باستخدام حزمة ggplot2 عبر دالة autoplot() المدمجة، والتي تُظهر التوقعات النقطية وفترات الثقة عند مستويات 80% و 95% بأناقة بصرية فائقة.

11.2 التطبيق البرمجي الشامل بلغة Python باستخدام statsmodels

تحظى لغة Python بانتشار صناعي واسع في هندسة البيانات وأنظمة الإنتاج البرمجي. وتوفر مكتبة statsmodels.tsa.holtwinters منظومة برمجية صلبة لتنفيذ عائلة التنعيم الأسي بالكامل.

لتنفيذ النماذج في بيئة Python، يُتبع المسار الإجرائي التالي:

• التنعيم الأسي البسيط (SES): عبر فئة SimpleExpSmoothing، حيث يتم تهيئة الكائن وتدريبه باستخدام التابع fit(smoothing_level=alpha, optimized=True) لتفعيل التحسين العددي للمعامل.
• نموذج هولت للاتجاه (Holt’s Linear & Damped): باستخدام فئة Holt، مع إمكانية تفعيل التخميد بتمرير المعامل damped_trend=True، حيث تتيح الدالة استخراج المعلمات المقدرة model.params شاملة قيم α, β, ϕ ونقاط البداية.
• نموذج هولت-وينترز المكتمل (ExponentialSmoothing): عبر استدعاء الفئة الشاملة:
  ExponentialSmoothing(data, trend=’add’, seasonal=’mul’, seasonal_periods=12, damped_trend=True)

  حيث يتم ضبط خيارات التحسين باستخدام خوارزمية L-BFGS-B المدمجة لضمان تقارب الحلول العددية.

• تقييم الأداء والمقارنة البصرية: استيراد مقاييس الأداء من sklearn.metrics لحساب mean_squared_error و mean_absolute_error، ورسم مقارنة المسارات الحقيقية بالمسارات المتنبأ بها باستخدام مكتبتي Matplotlib و Seaborn.

11.3 مشروع تطبيقي كامل على بيانات سلاسل زمنية واقعية

لتجسيد التكامل بين النظرية والتطبيق، نستعرض خطة مشروع تحليلي متكامل نُفذ على بيانات حقيقية تمثل معدلات الإشغال السريري الأسبوعية في مستشفى تعليمي على مدار خمس سنوات (260 أسبوعاً):

1. تجهيز وفحص البيانات (Data Preparation): تم استيراد السلسلة الزمنية وفحص اكتمالها؛ حيث عولجت قيمتان مفقودتان باستخدام الاستيفاء الأسي، وأظهر التحليل الاستكشافي وجود اتجاه نمو تدريجي مصحوب بموسمية سنوية متكررة (تردد m = 52 أسبوعاً) تبلغ ذروتها في فصل الشتاء نتيجة الأمراض التنفسية.
2. تقسيم العينة (Train/Test Split): قُسمت السلسلة زمنياً إلى مجموعة تدريب ضمت أول 208 أسابيع (4 سنوات)، ومجموعة اختبار مستقبلية خارج العينة ضمت آخر 52 أسبوعاً (سنة كاملة) لتقييم الدقة التنبؤية الواقعية.
3. تطبيق النماذج المتنافسة: تم تدريب أربعة نماذج متمايزة على بيانات التدريب:
   • نموذج التنعيم الأسي البسيط (SES).
   • نموذج هولت للاتجاه الخطي المخمد (Holt Damped).
   • نموذج هولت-وينترز الجمعي (Additive HW).
   • نموذج هولت-وينترز الضربي المخمد (Multiplicative Damped HW).
4. استخلاص النتائج والتقييم المقارن: أظهرت نتائج الاختبار خارج العينة تفوق نموذج هولت-وينترز الضربي المخمد بصورة حاسمة؛ حيث حقق أدنى قيمة لمقياس MASE = 0.68 مقارنة بـ 1.42 لنموذج SES و 1.15 لنموذج هولت الخطي، مما برهن على أن تضمين الموسمية والتخميد معاً كان ضرورياً لتفادي المبالغة في التقدير واستيعاب قمم الشتاء بدقة متناهية.

12. التحديات الإحصائية والاتجاهات الحديثة في التنعيم الأسي

12.1 التعامل مع الترددات الموسمية المتعددة والمعقدة (Multiple Seasonalities)

مع تدفق البيانات الحديثة عالية التواتر (High-frequency Data) كالقراءات المسجلة كل دقيقة أو كل ساعة في شبكات الطاقة الذكية وحركة المرور الرقمية، برز تحدٍ هيكلي يعجز التنعيم الأسي الكلاسيكي عن معالجته منفرداً: وجود ترددات موسمية متعددة ومتداخلة في آن واحد (Multiple Complex Seasonalities). فالبيانات الساعية للكهرباء مثلاً تشتمل على دورة يومية (24 ساعة)، ودورة أسبوعية (168 ساعة)، ودورة سنوية (8766 ساعة).

للتعامل مع هذا التعقيد، ابتكر ديفور وليفاس وهايندمان (De Livera, Hyndman, & Snyder, 2011) إطار نماذج TBATS الفائق، والذي يدمج المكونات الرياضية الآتية:

• تحويلات بوكس-كوكس (Trigonometric Box-Cox): لمعالجة اللاخطية واستقرار التباين.
• نماذج أخطاء ARMA: للتعامل مع الارتباطات الذاتية المتبقية في التشويش.
• المتسلسلات المثلثية وفورييه (Fourier Terms): لتمثيل المواسم المعقدة كدوال جيبية وتوافقية sin(2πkt/m) و cos(2πkt/m) بدلاً من المعاملات الفردية المنفصلة.

تتيح هذه الصياغة نمذجة الترددات الموسمية غير الصحيحة (Non-integer Periods) كالموسمية السنوية للأسابيع (52.179 أسبوعاً) بسلاسة واستقرار رياضي باهر يكسر الحدود الكلاسيكية للتنعيم الأسي التقليدي.

12.2 السلاسل الزمنية المتقطعة والطلب المتفرق (Intermittent Demand)

تواجه النماذج الإحصائية التقليدية مأزقاً رياضياً كبيراً عند تطبيقها على السلاسل الزمنية المتقطعة (Intermittent / Sparse Demand)؛ وهي السلاسل التي تتميز بكثرة القيم الصفرية المتتالية وتشتت المشاهدات الإيجابية غير المنتظمة عبر الزمن، كما هو الحال في تتبع الطلب على قطع الغيار النادرة، أو رصد النوبات السلوكية الحادة كالنوبات الانفعالية العنيفة أو نوبات الصرع في القياسات الإكلينيكية.

قدم العالم جون دي كروستون (J. D. Croston, 1972) حلاً جذرياً لهذه المعضلة من خلال تفكيك السلسلة المتقطعة إلى عمليتين عشوائيتين منفصلتين ومستقلتين:

1. حجم الحدث غير الصفري (Demand Size – z_t): ويتم تحديث مستواه بالتنعيم الأسي البسيط فقط عند حدوث مشاهدة إيجابية.
2. الفاصل الزمني بين الأحداث (Inter-arrival Time – p_t): ويقيس عدد الفترات المنقضية بين كل حدثين متتاليين، ويتم تحديثه أيضاً عبر معادلة تنعيم أسي مستقلة.

ويُحسب معدل التنبؤ اللحظي بقسمة التقديرين: ŷ = ẑ / p̂. وقد شهدت هذه الطريقة تطويرات تصحيحية بارزة لتقليل التحيز الرياضي للقسمة، مثل تعديل سينتا وبابايوانو وتريفيلاس (SBA / Syntetos-Boylan Approximation)، وتعديل كوستاس وتريفيلاس (TSB Method) الذي يربط احتمالية الحدوث بتنعيم أسي مباشر لمتغير برنولي الثنائي، مما يوفر أدوات تنبؤية فائقة الصلابة في النطاقات متفرقة البيانات.

12.3 مستقبل التنعيم الأسي في عصر الحوسبة الذكية

على الرغم من التطور المتسارع لخوارزميات الذكاء الاصطناعي التوليدي والشبكات العصبية المليارية، يحافظ التنعيم الأسي على موقعه كأداة لا غنى عنها في البنية التحتية للحوسبة الحديثة وإنترنت الأشياء (IoT) والحوسبة الطرفية (Edge Computing). فالأجهزة الاستشعارية الدقيقة والأنظمة المدمجة (Embedded Systems) تمتلك ذاكرة محدودة للغاية وطاقة معالجة متواضعة تمنعها من تشغيل نماذج التعلم العميق، بينما يمكنها تنفيذ خوارزميات التنعيم الأسي بكفاءة قصوى لاتخاذ قرارات فورية وتصفية الإشارات في أجزاء من الميكروثانية.

علاوة على ذلك، يشهد المشهد البحثي الحالي موجة تكامل متصاعدة يتم فيها تضمين خوارزميات التنعيم الأسي كطبقات معمارية مدمجة (Inductive Biases) داخل شبكات التعلم المعزز العميقة (Deep Reinforcement Learning) وأنظمة التحكم التكيفية؛ حيث تقوم معادلات التنعيم بتهيئة وضبط الإشارات وتثبيت التقديرات قبل تغذيتها إلى الشبكات العصبية. إن هذا التوليف الفريد بين الرصانة الإحصائية الكلاسيكية والقوة الحسابية الحديثة يضمن بقاء التنعيم الأسي في صلب علوم البيانات والتنبؤ لعقود قادمة.

خاتمة

يمثل التنعيم الأسي نموذجاً متفرداً للأناقة الرياضية والفاعلية التطبيقية في الإحصاء الحديث. فمن بداياته التأسيسية كخوارزمية حسابية ذكية لترشيد استهلاك الذاكرة في خمسينيات القرن المنصرم، إلى صياغته الإحصائية الشاملة كإطار لنماذج فضاء الحالة والابتكار الاحتمالي (ETS)، أثبت هذا النهج قدرة استثنائية على الصمود والتكيف والتفوق. إن فلسفة التوزيع الهندسي للأوزان تمنح التنعيم الأسي توازناً عبقرياً بين الذاكرة التاريخية وسرعة التكيف اللحظي، مما يجعله قادراً على تصفية التشويش واستخلاص الأنماط الحقيقية الكامنة في السلاسل الزمنية المعقدة في مختلف الحقول العلمية والتطبيقية.

المراجع الأكاديمية (References)

• Box, G. E., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control (5th ed.). John Wiley & Sons. https://doi.org/10.1002/9781118619193
• Brown, R. G. (1959). Statistical forecasting for inventory control. McGraw-Hill.
• Croston, J. D. (1972). Forecasting and stock control for intermittent demands. Journal of the Operational Research Society, 23(3), 289–303. https://doi.org/10.1057/jors.1972.50
• De Livera, A. M., Hyndman, R. J., & Snyder, R. D. (2011). Forecasting time series with complex seasonal patterns using exponential smoothing. Journal of the American Statistical Association, 106(496), 1513–1527. https://doi.org/10.1080/01621459.2011.615630
• Gardner, E. S., & McKenzie, E. (1985). Forecasting trends in time series. Management Science, 31(10), 1237–1246. https://doi.org/10.1287/mnsc.31.10.1237
• Holt, C. C. (2004). Forecasting seasonals and trends by exponentially weighted moving averages. International Journal of Forecasting, 20(1), 5–10. (Original work published 1957 by ONR Memorandum No. 52). https://doi.org/10.1016/j.ijforecast.2003.09.015
• Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3rd ed.). OTexts. https://otexts.com/fpp3/
• Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688. https://doi.org/10.1016/j.ijforecast.2006.03.001
• Hyndman, R. J., Koehler, A. B., Ord, J. K., & Snyder, R. D. (2008). Forecasting with exponential smoothing: The state space approach. Springer Science & Business Media. https://doi.org/10.1007/978-3-540-71918-2
• Hyndman, R. J., Koehler, A. B., Snyder, R. D., & Grose, S. (2002). A state space framework for automatic forecasting using exponential smoothing methods. International Journal of Forecasting, 18(3), 439–454. https://doi.org/10.1016/S0169-2070(01)00110-8
• Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2020). The M4 Competition: 100,000 time series and 61 forecasting methods. International Journal of Forecasting, 36(1), 54–74. https://doi.org/10.1016/j.ijforecast.2019.04.014
• Smyl, S. (2020). A hybrid method of exponential smoothing and recurrent neural networks for time series forecasting. International Journal of Forecasting, 36(1), 75–85. https://doi.org/10.1016/j.ijforecast.2019.04.014
• Syntetos, A. A., & Boylan, J. E. (2005). The accuracy of intermittent demand estimates. International Journal of Forecasting, 21(2), 303–314. https://doi.org/10.1016/j.ijforecast.2004.10.001
• Winters, P. R. (1960). Forecasting sales by exponentially weighted moving averages. Management Science, 6(3), 324–342. https://doi.org/10.1287/mnsc.6.3.324