Time Series Analysis

تحليل السلاسل الزمنية هو طريقة محددة لتحليل تسلسل من نقاط البيانات التي يتم جمعها خلال فترة زمنية. في هذه العملية، يسجل المحللون نقاط البيانات على فترات زمنية متسقة خلال فترة محددة بدلاً من تسجيل نقاط البيانات بشكل متقطع أو عشوائي. على عكس مجموعات البيانات الثابتة المستخدمة في Image Classification القياسي، تضيف بيانات السلاسل الزمنية بُعداً زمنياً، مما يعني أن ترتيب البيانات أمر بالغ الأهمية لفهم الأنماط الكامنة. هذه التقنية أساسية لـ Data Analytics وتُستخدم على نطاق واسع للتنبؤ بالأحداث المستقبلية بناءً على الاتجاهات التاريخية.

المكونات والتقنيات الأساسية#

لتحليل البيانات المستندة إلى الوقت بفعالية، يجب على الممارسين تحديد المكونات المميزة التي تشكل الإشارة.

• تحليل الاتجاهات: يتضمن هذا تحديد الاتجاه طويل المدى للبيانات. على سبيل المثال، غالباً ما يُستخدم Linear Regression لنمذجة ما إذا كانت المبيعات تزيد أو تنخفض عموماً على مدار عدة سنوات.
• اكتشاف الموسمية: تُظهر العديد من مجموعات البيانات تغيرات منتظمة ومتوقعة تتكرر كل سنة تقويمية. يستخدم تجار التجزئة seasonality analysis للاستعداد لارتفاعات العطلات أو عادات الشراء المرتبطة بالطقس.
• الاستقرارية: يقال إن السلسلة الزمنية مستقرة إذا كانت خصائصها الإحصائية، مثل المتوسط والتباين، لا تتغير ب مرور الوقت. تساعد تقنيات مثل Dickey-Fuller test في تحديد ما إذا كانت البيانات تحتاج إلى تحويل قبل النمذجة.
• تقدير الضوضاء: يمكن أن تؤدي التغيرات العشوائية أو "الضوضاء البيضاء" إلى حجب الأنماط الحقيقية. تُستخدم التصفية المتقدمة أو Autoencoders لفصل الإشارات ذات المعنى عن التقلبات العشوائية.

تطبيقات الذكاء الاصطناعي/تعلم الآلة في العالم الحقيقي#

يعد تحليل السلاسل الزمنية أمراً بالغ الأهمية للصناعات التي تتطلب تنبؤات دقيقة لتحسين العمليات وتقليل المخاطر.

• التنبؤ بالطلب في قطاع التجزئة: يستفيد تجار التجزئة من AI in Retail للتنبؤ بمتطلبات المخزون. من خلال تحليل بيانات السلاسل الزمنية للمبيعات السابقة، يمكن للشركات تحسين سلاسل التوريد، مما يقلل من تكديس المخزون ونقاط النفاد على حد سواء. غالباً ما تُستخدم أدوات مثل Facebook Prophet للتعامل مع التأثيرات الموسمية القوية التي تظهر في بيانات التجزئة.
• مراقبة المؤشرات الحيوية في الرعاية الصحية: في المجال الطبي، تراقب أنظمة AI in Healthcare باستمرار المؤشرات الحيوية للمرضى مثل معدل ضربات القلب وضغط الدم. يمكن لخوارزميات السلاسل الزمنية إجراء Anomaly Detection لتنبيه الطاقم الطبي فوراً إذا انحرفت مقاييس المريض عن خط الأساس التاريخي الطبيعي، مما قد ينقذ الأرواح.
• الصيانة التنبؤية: تستخدم مصانع التصنيع أجهزة استشعار لجمع بيانات الاهتزاز أو درجة الحرارة من الآلات بمرور الوقت. من خلال تطبيق AI in Manufacturing, يمكن للشركات التنبؤ بتعطل المعدات قبل حدوثه، مما يقلل من وقت التعطل.

توليد السلاسل الزمنية من الرؤية الحاسوبية#

على الرغم من أن تحليل السلاسل الزمنية يختلف عن Computer Vision (CV) - الذي يركز على البيانات المكانية مثل الصور - إلا أن المجالين يتقاطعان غالباً. يمكن لنموذج الرؤية الحاسوبية معالجة تدفقات الفيديو لتوليد بيانات سلاسل زمنية. على سبيل المثال، ينتج نظام Object Counting الذي يعمل على كاميرا مرورية عدداً متسلسلاً للسيارات في الدقيقة.

يوضح المثال التالي كيفية استخدام Ultralytics YOLO26 لتتبع الكائنات في فيديو، مما يؤدي بفعالية إلى تحويل البيانات المرئية إلى سلسلة زمنية لتعداد الكائنات.

from ultralytics import YOLO

# Load the YOLO26 model for object tracking
model = YOLO("yolo26n.pt")

# Track objects in a video stream (generates time-series data)
# The 'stream=True' argument returns a generator for memory efficiency
results = model.track("https://docs.ultralytics.com/modes/track/", stream=True)

# Process frames sequentially to build a time series of counts
for i, r in enumerate(results):
    if r.boxes.id is not None:
        count = len(r.boxes.id)
        print(f"Time Step {i}: {count} objects detected")

لإدارة مجموعات البيانات وتدريب النماذج التي تغذي هذه المسارات، يمكن للمستخدمين الاستفادة من Ultralytics Platform، مما يبسط سير العمل من وضع العلامات إلى النشر.

البنى العصبية الحديثة#

لا تزال الطرق الإحصائية التقليدية مثل ARIMA (AutoRegressive Integrated Moving Average) شائعة، لكن Deep Learning (DL) الحديث قد قدم بدائل قوية.

• الشبكات العصبية المتكررة (RNNs): مصممة خصيصاً للبيانات المتسلسلة، تحافظ Recurrent Neural Network (RNN) على "ذاكرة" للمدخلات السابقة، مما يجعلها مناسبة للاعتمادات قصيرة المدى.
• الذاكرة قصيرة المدى الطويلة (LSTM): لمعالجة قيود الشبكات العصبية المتكررة القياسية في تذكر التسلسلات الطويلة، تستخدم بنية Long Short-Term Memory (LSTM) بوابات للتحكم في تدفق المعلومات، مما يمثل بفعالية الاعتمادات الزمنية طويلة المدى.
• المحولات (Transformers): تم تصميم بنية Transformer في الأصل للنصوص، وهي الآن وآليات الانتباه الخاصة بها في طليعة التقنيات للتنبؤ ببيانات السلاسل الزمنية المعقدة، وغالباً ما تتفوق على النماذج المتكررة القديمة.

التمييز عن المصطلحات ذات الصلة#

من المهم التمييز بين تحليل السلاسل الزمنية ونمذجة التسلسل والرؤية الحاسوبية.

• السلاسل الزمنية مقابل نمذجة التسلسل: في حين أن جميع السلاسل الزمنية عبارة عن تسلسلات، ليست كل التسلسلات سلاسل زمنية. يتعامل Natural Language Processing (NLP) مع تسلسلات الكلمات حيث يكون الترتيب مهمًا، ولكن عنصر "الوقت" مجرد. يعني تحليل السلاسل الزمنية تحديداً أن البيانات مفهرسة حسب الوقت.
• السلاسل الزمنية مقابل الرؤية الحاسوبية: تتعامل الرؤية الحاسوبية مع تفسير المدخلات المرئية (البكسلات). ومع ذلك، فإن تقنيات مثل Video Understanding تسد الفجوة من خلال إضافة بُعد زمني إلى التحليل المرئي، وغالباً ما تستخدم Transformers لفهم كيف يتغير المحتوى المرئي بمرور الوقت.