أطلق العنان لقوة تحليل السلاسل الزمنية للتنبؤ بالاتجاهات detect الحالات الشاذة وتحسين تطبيقات الذكاء الاصطناعي/التعلم الآلي في مختلف الصناعات.
تحليل السلاسل الزمنية هو أسلوب إحصائي يستخدم لتحليل سلسلة من نقاط البيانات التي تم جمعها أو تسجيلها أو يتم رصدها على فترات زمنية متعاقبة ومتباعدة بشكل متساوٍ. على عكس مجموعات البيانات الثابتة حيث قد لا يكون ترتيب الملاحظات لا يهم، تعتمد بيانات السلاسل الزمنية بشكل كبير على الترتيب الزمني لتحديد البنى الأساسية مثل الاتجاهات والموسمية والأنماط الدورية. هذه الطريقة هي حجر الزاوية في النمذجة التنبؤية، مما يسمح لعلماء البيانات والمهندسين بالتنبؤ بالأحداث المستقبلية بناءً على السلوكيات التاريخية. تُستخدم هذه الطريقة على نطاق واسع في مجالات مختلفة, بدءاً من تتبع تقلبات سوق الأسهم إلى مراقبة أمن مركز البيانات المقاييس.
لتفسير البيانات المعتمدة على الوقت بشكل فعال، يجب على المحللين تحليل السلسلة إلى الأجزاء المكونة لها. يعد فهم هذه المكونات أمرًا ضروريًا لاختيار بنية بنية التعلم الآلي (ML) المناسبة.
في حين أن الأساليب الإحصائية التقليدية مثل ARIMA (المتوسط المتحرك المتكامل الانحداري التلقائي الانحداري) لا تزال شائعة, تستفيد مناهج الذكاء الاصطناعي الحديثة من الشبكات العصبية المتكررة (RNNs) و وشبكات الذاكرة طويلة المدى القصيرة المدى (LSTM). تم تصميم هذه البنى خصيصًا لتذكر التبعيات طويلة المدى في البيانات المتسلسلة.
يعد تحليل السلاسل الزمنية أمرًا بالغ الأهمية للصناعات التي تتطلب تنبؤًا دقيقًا لتحسين العمليات وتقليل المخاطر.
بينما يختلف تحليل السلاسل الزمنية عن الرؤية الحاسوبية (CV)- الذي يركز على البيانات المكانية مثل الصور، إلا أن المجالين غالبًا ما يتقاطعان. يمكن لنموذج السيرة الذاتية معالجة تدفقات الفيديو لتوليد بيانات السلاسل الزمنية. على سبيل المثال، ينتج نظام عدّ الأجسام الذي يعمل على كاميرا مرور تنتج عداً متسلسلاً للسيارات في الدقيقة الواحدة.
يوضح المثال التالي كيفية استخدام Ultralytics YOLO11track الكائنات في مقطع فيديو، مما يؤدي إلى تحويل البيانات المرئية إلى سلسلة زمنية لتعداد الكائنات.
from ultralytics import YOLO
# Load the YOLO11 model for object tracking
model = YOLO("yolo11n.pt")
# Track objects in a video stream (generates time-series data)
# The 'stream=True' argument returns a generator for memory efficiency
results = model.track("path/to/traffic_video.mp4", 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")
من المهم التفريق بين تحليل السلاسل الزمنية ونمذجة التسلسل الزمني و الرؤية الحاسوبية.
يمكن للممارسين الوصول إلى مجموعة واسعة من البرامج لإجراء تحليل السلاسل الزمنية. لمعالجة البيانات, Pandas هو معيار الصناعة في Python. لبناء نماذج تنبؤية, توفر مكتبات مثل Scikit-learn أدوات انحدار أساسية، بينما توفر أطر عمل مثل PyTorch و TensorFlow ضرورية لتدريب نماذج المعقدة مثل LSTMs أو المحولات. لتصور النتائج, مكتبات تصور البيانات مثل Matplotlib لا غنى عنها لتوصيل الاتجاهات إلى أصحاب المصلحة.
