أطلق العنان لقوة تحليل السلاسل الزمنية للتنبؤ بالاتجاهات واكتشاف الحالات الشاذة وتحسين تطبيقات الذكاء الاصطناعي/التعلم الآلي في مختلف الصناعات.
تحليل السلاسل الزمنية هو طريقة إحصائية تستخدم لتحليل سلسلة من نقاط البيانات التي تم جمعها على مدى فترة من الزمن. يتم ترتيب هذا النوع من البيانات، المعروف باسم بيانات السلاسل الزمنية، ترتيبًا زمنيًا، مما يسمح للمحللين ونماذج التعلم الآلي (ML) بتحديد الأنماط الزمنية والاتجاهات والموسمية والهياكل الأخرى القائمة على الوقت. غالبًا ما يكون الهدف الأساسي هو فهم الأسباب الكامنة وراء هذه الأنماط أو إجراء التنبؤ – عملية النمذجة التنبؤية لتقدير القيم المستقبلية. إنه حجر الزاوية في العديد من المجالات، بما في ذلك الاقتصاد والمالية والأرصاد الجوية.
يعد تحليل السلاسل الزمنية محوريًا في بناء أنظمة ذكية يمكنها توقع الأحداث المستقبلية بناءً على البيانات التاريخية.
تُستخدم مجموعة متنوعة من الطرق لنمذجة بيانات السلاسل الزمنية، من الأساليب الإحصائية الكلاسيكية إلى الشبكات العصبونية المعقدة.
في حين أن تحليل السلاسل الزمنية يركز على تسلسلات نقاط البيانات الرقمية أو الفئوية بمرور الوقت، فإن الرؤية الحاسوبية (CV) تتعامل مع تفسير المعلومات المرئية من الصور أو مقاطع الفيديو. المهام مثل اكتشاف الكائنات أو تجزئة الصور، التي غالبًا ما يتم إجراؤها بواسطة نماذج مثل Ultralytics YOLO، تحلل في المقام الأول المحتوى المكاني داخل إطارات مفردة أو تربط الكائنات عبر الإطارات (تتبع الكائنات).
على الرغم من أن تحليل الفيديو ينطوي بطبيعته على بُعد زمني (تسلسل من الإطارات)، إلا أن التقنيات المستخدمة غالبًا ما تختلف عن طرق السلاسل الزمنية التقليدية. قد يستخدم تحليل الفيديو نماذج مكانية-زمانية (مثل شبكات CNN ثلاثية الأبعاد أو محولات الرؤية) التي تأخذ في الاعتبار كلاً من الميزات المكانية وتغيراتها بمرور الوقت. ومع ذلك، يمكن لنظام الرؤية الحاسوبية إنشاء بيانات سلسلة زمنية. على سبيل المثال، يمكن لنظام عد الكائنات في بث فيديو أن ينتج سلسلة زمنية لعدد الأشخاص الذين يمرون عبر منطقة ما في الدقيقة. يمكن بعد ذلك تحليل هذا الناتج باستخدام تقنيات السلاسل الزمنية القياسية لتحليل الاتجاه أو اكتشاف الحالات الشاذة.
يتضمن تطوير ونشر نماذج السلاسل الزمنية أدوات متنوعة. بالإضافة إلى مكتبات التعلم الآلي مثل PyTorch و TensorFlow، توفر أدوات متخصصة مثل مكتبة Prophet من Meta إمكانات تنبؤ سهلة الاستخدام. غالبًا ما تتضمن إدارة دورة حياة هذه النماذج، بدءًا من التدريب على مجموعات بيانات قياسية أو مخصصة (مثل تلك الموجودة في مكتبة بيانات السلاسل الزمنية) إلى التقييم و نشر النموذج، مبادئ عمليات تعلم الآلة (MLOps) ومنصات مثل Ultralytics HUB. بالنسبة لموارد التعلم، توفر نصوص مثل "التنبؤ: المبادئ والممارسة" إرشادات شاملة، وتستضيف منصات مثل Kaggle مسابقات السلاسل الزمنية للحصول على خبرة عملية.
