استعمال بعض أساليب التحليل الانتروبي للتنبوء بسلسلة الزمنية الضبابية مع تطبيق عملي
إيمان ميري جبار دخيل, إيناس عبدالحافظ محمد
كلية الادارة والاقتصاد-جامعة كربلاء · العراق
يمثل التفاعل بين التعقيد وعدم الاكتمال أحد التحديات المهمة في تحليل السلاسل الزمنية، إذ غالبا ما تتضمن هذه البيانات أنماطا غير خطية، وتقلبات مفاجئة، وضوضاء عشوائية، مما يؤثر في كفاءة النماذج الإحصائية وقدرتها على تمثيل السلوك الفعلي للبيانات والتنبؤ بقيمها المستقبلية. ولمعالجة هذه التحديات، تبرز أهمية أساليب التصنيف المعتمدة على مفهوم الإنتروبيا (Entropy)، المستمد من نظرية المعلومات، لما توفره من أدوات كمية لقياس درجة عدم الانتظام والتعقيد في البيانات، فضلا عن إمكانية توظيفها في تقسيم البيانات إلى فئات تساعد على الكشف عن خصائصها وأنماطها المختلفة. وتعد السلاسل الزمنية الضبابية (Fuzzy Time Series) من الأساليب المهمة في نمذجة البيانات التي تتسم بعدم اليقين والغموض، إذ تعتمد على نظرية المجموعات الضبابية ودوال الانتماء (Membership Functions) لتمثيل القيم والعلاقات التي يصعب وصفها بصورة دقيقة باستخدام النماذج التقليدية. وتتيح هذه المنهجية مرونة أكبر في التعامل مع التغيرات غير المنتظمة والتقلبات التي قد تظهر في السلاسل الزمنية، ولا سيما عندما تكون البيانات متأثرة بعوامل متعددة يصعب تحديد أثرها بصورة كاملة. وانطلاقا من ذلك، اعتمدت هذه الدراسة منهجية هجينة تجمع بين استراتيجيات الإنتروبيا وأساليب السلاسل الزمنية الضبابية، بهدف تحسين آلية تقسيم البيانات وبناء دوال الانتماء، ومن ثم تطوير نماذج قادرة على تمثيل خصائص السلسلة الزمنية وتحسين دقة التنبؤ. تضمنت الدراسة تقييم ومقارنة ثلاثة نماذج تنبؤية قائمة على الإنتروبيا، هي: أنموذج السلاسل الزمنية الضبابية المعتمد على الإنتروبيا (Entropy-based Fuzzy Time Series, EBFTS)، وأنموذج إنتروبيا التبديل الضبابية (Fuzzy Permutation Entropy, FPE)، وأنموذج المصنف الضبابي ذاتي التنظيم المعتمد على الإنتروبيا (Entropy-based Self-Organizing Fuzzy Classifier). وهدفت المقارنة إلى تحديد الاختلافات في الأداء التنبؤي لهذه النماذج وتقييم قدرتها على تمثيل البيانات في ظل أحجام عينات مختلفة. ولتحقيق ذلك، استُخدمت المحاكاة بطريقة مونت كارلو (Monte Carlo Simulation) لأحجام عينات بلغت (n=50,100,150,200)، بما يتيح دراسة أداء النماذج عند أحجام العينات الصغيرة والمتوسطة والكبيرة. وتم تقييم دقة التنبؤ باستخدام متوسط مربع الخطأ (Mean Squared Error, MSE)، والجذر التربيعي لمتوسط مربع الخطأ (Root Mean Squared Error, RMSE)، ومتوسط الخطأ المطلق (Mean Absolute Error, MAE)، إذ تشير القيم الأقل لهذه المعايير إلى أداء تنبؤي أفضل. وأظهرت نتائج المحاكاة تفوق أنموذج Fuzzy Permutation Entropy (FPE) في تحقيق أقل قيم لمعايير MSE وRMSE وMAE في أغلب أحجام العينات المدروسة، مما يشير إلى اختلاف كفاءة النماذج الثلاثة تبعا لحجم العينة وطبيعة البيانات.أما الجانب التطبيقي، فقد تضمن تطبيق النماذج المقترحة على سلسلة زمنية شهرية حقيقية تمثل أعداد الأشخاص الوافدين إلى مستشفى الحسين التعليمي، وبحجم عينة بلغ (132) مشاهدة للفترة الممتدة من عام 2015 إلى عام 2025. وقبل بناء النماذج التنبؤية، أُجري تحليل أولي لخصائص السلسلة الزمنية، مع فحص استقراريتها باستخدام اختبار ديكي–فولر (Dickey–Fuller Test)، واختبار كفياتكوفسكي–فيليبس–شميت–شين (Kwiatkowski–Phillips–Schmidt–Shin Test, KPSS)، فضلا عن اختبار ليونغ–بوكس (Ljung–Box Test) لفحص الارتباط الذاتي. وأشارت نتائج التحليل الأولي إلى وجود اتجاه تصاعدي واضح وارتباط ذاتي في البيانات، الأمر الذي يستدعي مراعاة هذه الخصائص عند بناء النماذج وتقييم قدرتها على التنبؤ بالقيم المستقبلية.ولغرض تحديد رتبة النموذج الملائمة والمفاضلة بين النماذج المرشحة، تم اعتماد مجموعة من معايير اختيار النماذج الإحصائية، شملت معيار معلومات أكايكي (Akaike Information Criterion, AIC)، ومعيار المعلومات البايزي (Bayesian Information Criterion, BIC)، ومعيار حنان–كوين للمعلومات (Hannan–Quinn Information Criterion, HQIC). وتساعد هذه المعايير على المفاضلة بين النماذج مع مراعاة التوازن بين جودة المطابقة وتعقيد النموذج، إذ تشير القيم الأقل، عند المقارنة بين النماذج المقدرة على البيانات نفسها، إلى النموذج الأفضل وفقا للمعيار المستخدم. وبناء على نتائج التقدير والتقييم، تم إعداد التنبؤات المستقبلية لأعداد الأشخاص الوافدين إلى مستشفى الحسين التعليمي لعام 2026 علما ان الإجراءات التجريبية والتطبيقية نفذت باستخدام برنامج R.