Time Series Analysis

تحليل السلاسل الزمنية هو أسلوب محدد لتحليل سلسلة من نقاط البيانات التي يتم جمعها عبر فاصل زمني معين. في هذه العملية، يسجل المحللون نقاط البيانات في فترات زمنية ثابتة على مدار فترة محددة بدلاً من تسجيل نقاط البيانات بشكل متقطع أو عشوائي. وخلافاً لمجموعات البيانات الثابتة المستخدمة في تصنيف الصور القياسي، تضيف بيانات السلاسل الزمنية بُعداً زمنياً، مما يعني أن ترتيب البيانات أمر بالغ الأهمية لفهم الأنماط الأساسية. تعد هذه التقنية أساسية لـ تحليلات البيانات وتستخدم على نطاق واسع للتنبؤ بالأحداث المستقبلية بناءً على الاتجاهات التاريخية.

Link to this sectionالمكونات والتقنيات الأساسية#

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

• تحليل الاتجاه: يتضمن ذلك تحديد الاتجاه طويل الأمد للبيانات. على سبيل المثال، غالباً ما يُستخدم الانحدار الخطي لنمذجة ما إذا كانت المبيعات تتزايد أو تتناقص بشكل عام على مدى عدة سنوات.
• كشف الموسمية: تظهر العديد من مجموعات البيانات تغيرات منتظمة وقابلة للتنبؤ تتكرر كل عام تقويمي. يستخدم تجار التجزئة تحليل الموسمية للاستعداد لزيادات العطلات أو عادات الشراء المرتبطة بالطقس.
• الاستقرار: يُقال إن السلسلة الزمنية مستقرة إذا كانت خصائصها الإحصائية، مثل المتوسط والتباين، لا تتغير بمرور الوقت. تساعد تقنيات مثل اختبار ديكي-فولر في تحديد ما إذا كانت البيانات تحتاج إلى تحويل قبل النمذجة.
• تقدير الضوضاء: يمكن للتغيرات العشوائية أو "الضوضاء البيضاء" أن تحجب الأنماط الحقيقية. تُستخدم تقنيات التصفية المتقدمة أو المشفرات التلقائية لفصل الإشارات الهادفة عن التقلبات العشوائية.

Link to this sectionتطبيقات 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 تجارة التجزئة: يستخدم تجار التجزئة الذكاء الاصطناعي في تجارة التجزئة للتنبؤ بمتطلبات المخزون. من خلال تحليل بيانات السلاسل الزمنية للمبيعات السابقة، يمكن للشركات تحسين سلاسل التوريد، مما يقلل من المخزون الزائد ونفاد المخزون. غالباً ما يتم توظيف أدوات مثل Facebook Prophet للتعامل مع التأثيرات الموسمية القوية التي تظهر في بيانات التجزئة.
• مراقبة المؤشرات الحيوية في الرعاية الصحية: في المجال الطبي، تقوم أنظمة الذكاء الاصطناعي في الرعاية الصحية بمراقبة المؤشرات الحيوية للمريض باستمرار مثل معدل ضربات القلب وضغط الدم. يمكن لخوارزميات السلاسل الزمنية إجراء كشف الشذوذ 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 الذكاء الاصطناعي في التصنيع، يمكن للشركات التنبؤ بفشل المعدات قبل حدوثه، مما يقلل من وقت التوقف عن العمل.

Link to this sectionتوليد السلاسل الزمنية من الرؤية الحاسوبية#

بينما يختلف تحليل السلاسل الزمنية عن الرؤية الحاسوبية (CV) - التي تركز على البيانات المكانية مثل الصور - فإن المجالين غالباً ما يتقاطعان. يمكن لنموذج CV معالجة تدفقات الفيديو لتوليد بيانات السلاسل الزمنية. على سبيل المثال، ينتج نظام عد الكائنات الذي يعمل على كاميرا مراقبة حركة المرور عدداً متسلسلاً للسيارات في الدقيقة.

يوضح المثال التالي كيفية استخدام Ultralytics YOLO26 لتتبع الكائنات في مقطع فيديو، مما يحول البيانات المرئية بفعالية إلى سلسلة زمنية لأعداد 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 ونماذج التدريب التي تغذي خطوط العمل هذه، يمكن للمستخدمين الاستفادة من منصة Ultralytics، التي تبسط سير العمل من التعليق التوضيحي إلى النشر.

Link to this sectionالبنى العصبية الحديثة#

لا تزال الأساليب الإحصائية التقليدية مثل ARIMA (المتوسط المتحرك المتكامل ذاتي الانحدار) شائعة، ولكن التعلم العميق (DL) الحديث قدم بدائل قوية.

• الشبكات العصبية المتكررة (RNNs): صُممت خصيصاً للبيانات التسلسلية، حيث تحتفظ الشبكة العصبية المتكررة (RNN) بـ "ذاكرة" للمدخلات السابقة، مما يجعلها مناسبة للاعتمادات قصيرة المدى.
• الذاكرة الطويلة قصيرة المدى (LSTM): لمعالجة قيود RNNs القياسية في تذكر التسلسلات الطويلة، تستخدم بنية الذاكرة الطويلة قصيرة المدى (LSTM) بوابات للتحكم في تدفق المعلومات، مما ينمذج بشكل فعال الاعتمادات الزمنية طويلة المدى.
• المحولات (Transformers): بُنيت في الأصل للنصوص، وتعد بنية المحولات وآليات الانتباه الخاصة بها الآن أحدث ما توصلت إليه التقنية للتنبؤ ببيانات السلاسل الزمنية المعقدة، وغالباً ما تتفوق على النماذج المتكررة الأقدم.

Link to this sectionالتمييز 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 هي تسلسلات، ليست كل التسلسلات سلاسل زمنية. يتعامل معالجة اللغات الطبيعية (NLP) مع تسلسلات الكلمات حيث يكون الترتيب مهماً، ولكن عنصر "الوقت" مجرد. يعني تحليل السلاسل الزمنية تحديداً أن البيانات مفهرسة حسب الوقت.
• السلاسل الزمنية مقابل الرؤية الحاسوبية: تتعامل CV مع تفسير المدخلات المرئية (البكسل). ومع ذلك، فإن تقنيات مثل فهم الفيديو تسد الفجوة عن طريق إضافة بُعد زمني للتحليل المرئي، وغالباً ما تستخدم المحولات لفهم كيفية تغير المحتوى المرئي بمرور الوقت.