Time Series Analysis

تحليل السلاسل الزمنية هو أسلوب محدد لتحليل سلسلة من نقاط البيانات التي جُمعت خلال فترة زمنية. في هذه العملية، يسجل المحللون نقاط البيانات على فترات منتظمة خلال مدة محددة، بدلًا من تسجيلها بشكل متقطع أو عشوائي فحسب. وعلى خلاف مجموعات البيانات الثابتة المستخدمة في تصنيف الصور التقليدي، تضيف بيانات السلاسل الزمنية بُعدًا زمنيًا، ما يعني أن ترتيب البيانات بالغ الأهمية لفهم الأنماط الكامنة. وتُعد هذه التقنية أساسية في تحليلات البيانات، وتُستخدم على نطاق واسع للتنبؤ بالأحداث المستقبلية استنادًا إلى الاتجاهات التاريخية.

المكونات والتقنيات الأساسية#

لتحليل البيانات المستندة إلى الزمن بفاعلية، يجب على الممارسين تحديد المكونات المميزة التي يتألف منها الإشارة.

• تحليل الاتجاهات: يتضمن ذلك تحديد الاتجاه طويل الأجل للبيانات. فعلى سبيل المثال، يُستخدم الانحدار الخطي غالبًا لنمذجة ما إذا كانت المبيعات تزداد أو تنخفض عمومًا على مدى عدة سنوات.
• اكتشاف الموسمية: تُظهر العديد من مجموعات البيانات تغيرات منتظمة يمكن التنبؤ بها، وتتكرر كل عام تقويمي. ويستخدم تجار التجزئة تحليل الموسمية للاستعداد لارتفاعات الطلب خلال العطلات أو لعادات الشراء المرتبطة بالطقس.
• الاستقرارية: تُوصف السلسلة الزمنية بأنها مستقرة إذا لم تتغير خصائصها الإحصائية، مثل المتوسط والتباين، بمرور الوقت. وتساعد تقنيات مثل اختبار ديكي-فولر في تحديد ما إذا كانت البيانات تحتاج إلى تحويل قبل إجراء النمذجة.
• تقدير الضوضاء: قد تحجب التغيرات العشوائية أو «الضوضاء البيضاء» الأنماط الحقيقية. وتُستخدم تقنيات الترشيح المتقدمة أو المشفرات التلقائية لفصل الإشارات ذات المعنى عن التقلبات العشوائية.

تطبيقات AI/ML في العالم الحقيقي#

يُعد تحليل السلاسل الزمنية بالغ الأهمية للصناعات التي تتطلب تنبؤات دقيقة لتحسين العمليات والحد من المخاطر.

• التنبؤ بالطلب في قطاع التجزئة: يستخدم تجار التجزئة الذكاء الاصطناعي في قطاع التجزئة للتنبؤ باحتياجات المخزون. ومن خلال تحليل بيانات السلاسل الزمنية للمبيعات السابقة، يمكن للشركات تحسين سلاسل التوريد، والحد من فائض المخزون ونفاده على حد سواء. وغالبًا ما تُستخدم أدوات مثل Facebook Prophet للتعامل مع التأثيرات الموسمية القوية التي تظهر في بيانات قطاع التجزئة.
• مراقبة المؤشرات الحيوية في الرعاية الصحية: في المجال الطبي، تراقب أنظمة الذكاء الاصطناعي في الرعاية الصحية باستمرار المؤشرات الحيوية للمرضى، مثل معدل ضربات القلب وضغط الدم. ويمكن لخوارزميات السلاسل الزمنية تنفيذ اكتشاف الحالات الشاذة لتنبيه الطاقم الطبي فورًا إذا انحرفت قياسات المريض عن خطه الأساسي التاريخي المعتاد، ما قد يسهم في إنقاذ الأرواح.
• الصيانة التنبؤية: تستخدم مصانع التصنيع مستشعرات لجمع بيانات الاهتزاز أو درجة الحرارة من الآلات بمرور الوقت. ومن خلال تطبيق الذكاء الاصطناعي في التصنيع، يمكن للشركات التنبؤ بتعطل المعدات قبل حدوثه، ما يقلل وقت التوقف إلى أدنى حد.

إنشاء سلاسل زمنية من الرؤية الحاسوبية#

على الرغم من اختلاف تحليل السلاسل الزمنية عن الرؤية الحاسوبية (CV)—التي تركز على البيانات المكانية مثل الصور—فإن المجالين يتقاطعان غالبًا. ويمكن لنموذج للرؤية الحاسوبية معالجة تدفقات الفيديو لإنشاء بيانات سلاسل زمنية. فعلى سبيل المثال، ينتج نظام عدّ الكائنات يعمل على كاميرا مرورية عددًا متسلسلًا للسيارات في الدقيقة.

يوضح المثال التالي كيفية استخدام Ultralytics YOLO26 لتتبع الكائنات في فيديو، ما يحول البيانات المرئية بفاعلية إلى سلسلة زمنية لعدد 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")

ولإدارة مجموعات البيانات وتدريب النماذج التي تغذي هذه المسارات، يمكن للمستخدمين الاستفادة من منصة Ultralytics، التي تبسّط سير العمل بدءًا من وضع التعليقات التوضيحية وصولًا إلى النشر.

البنى العصبية الحديثة#

لا تزال الأساليب الإحصائية التقليدية مثل الانحدار الذاتي والمتكامل والمتوسط المتحرك (ARIMA) شائعة، إلا أن التعلم العميق (DL) الحديث قدم بدائل قوية.

• الشبكات العصبية المتكررة (RNNs): صُممت خصيصًا للبيانات المتسلسلة، وتحافظ الشبكة العصبية المتكررة (RNN) على «ذاكرة» للمدخلات السابقة، ما يجعلها مناسبة للاعتماديات قصيرة الأجل.
• الذاكرة طويلة وقصيرة الأمد (LSTM): لمعالجة قيود RNNs القياسية في تذكر التسلسلات الطويلة، تستخدم بنية [الذاكرة طويلة وقصيرة الأمد (LSTM)](https://ultralytics-translation-0.invalid بوابات للتحكم في تدفق المعلومات، ما يتيح نمذجة الاعتماديات الزمنية طويلة الأجل بفاعلية.
• Transformers: بُنيت بنية Transformer في الأصل للنصوص، وأصبحت آليات الانتباه الخاصة بها الآن من أحدث الأساليب للتنبؤ ببيانات السلاسل الزمنية المعقدة، وغالبًا ما تتفوق على النماذج التكرارية الأقدم.

التمييز عن المصطلحات ذات الصلة#

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

• السلاسل الزمنية مقابل نمذجة التسلسلات: رغم أن جميع السلاسل الزمنية هي تسلسلات، فإن ليست كل التسلسلات سلاسل زمنية. يتعامل معالجة اللغة الطبيعية (NLP) مع تسلسلات من الكلمات التي يكون ترتيبها مهمًا، لكن عنصر «الزمن» فيها مجرد. ويعني تحليل السلاسل الزمنية تحديدًا أن البيانات مفهرسة زمنيًا.
• السلاسل الزمنية مقابل الرؤية الحاسوبية: تتعامل الرؤية الحاسوبية مع تفسير المدخلات المرئية (البكسلات). ومع ذلك، تسد تقنيات مثل فهم الفيديو الفجوة بإضافة بُعد زمني إلى التحليل المرئي، وغالبًا ما تستخدم Transformers لفهم كيفية تغير المحتوى المرئي بمرور الوقت.