تحليل السلاسل الزمنية

المفاهيم الأساسية

يتضمن فهم بيانات السلاسل الزمنية تحديد عدة مكونات رئيسية:

• الاتجاه: الزيادة أو النقصان طويل الأجل في البيانات. ويشير إلى الاتجاه العام للسلسلة على مدى فترة ممتدة.
• الموسمية: الأنماط التي تتكرر خلال فترة ثابتة ومعروفة (على سبيل المثال، يوميًا أو أسبوعيًا أو سنويًا). على سبيل المثال، غالبًا ما تُظهر مبيعات التجزئة موسمية مع وجود ذروة خلال مواسم العطلات. تساعد تقنيات التحليل الموسمي في عزل هذه الأنماط.
• المكونات الدورية: تقلبات طويلة الأجل ليست ذات فترة زمنية محددة، وغالبًا ما تكون مرتبطة بدورات اقتصادية أو تجارية أوسع نطاقًا. تحدث هذه الدورات على فترات ممتدة، عادةً ما تكون أطول من عام.
• عدم الانتظام (الضوضاء): الاختلافات العشوائية غير المتوقعة في البيانات التي لا يمكن تفسيرها بالاتجاه أو الموسمية أو المكونات الدورية.

غالبًا ما يتطلب التحليل الفعال تقنيات المعالجة المسبقة للبيانات. ويشمل ذلك التعامل مع القيم المفقودة، وتسوية البيانات باستخدام أساليب مثل المتوسطات المتحركة، وربما تحويل البيانات لتحقيق الثبات. الثبات، حيث تظل الخصائص الإحصائية مثل المتوسط والتباين ثابتة بمرور الوقت، وهو مطلب شائع للنماذج التقليدية مثل ARIMA (المتوسط المتحرك المتكامل الانحداري التلقائي الانحداري). مكتبات مثل Pandas ضرورية لمعالجة البيانات في هذا السياق.

التقنيات والنماذج

يتم استخدام تقنيات ونماذج مختلفة لتحليل السلاسل الزمنية، بدءًا من الأساليب الإحصائية الكلاسيكية إلى مناهج التعلم الآلي الحديثة:

• الأساليب الكلاسيكية: تشمل المتوسطات المتحركة، والتمهيد الأسي (ETS)، ونماذج ARIMA. وغالبًا ما يتم تنفيذها باستخدام مكتبات البرامج الإحصائية مثل Statsmodels في Python.
• نماذج التعلم الآلي: يمكن تكييف تقنيات مثل Random Forests و XGBoost للتنبؤ بالسلاسل الزمنية، وغالبًا ما يتم ذلك عن طريق إنشاء ميزات متأخرة. يوفر Scikit-learn تطبيقات للعديد من نماذج التعلم الآلي.
• نماذج التعلم العميق (DL): بالنسبة للأنماط المعقدة وغير الخطية، تكون بنيات التعلم العميق فعالة للغاية. وتشمل هذه الشبكات الشبكات العصبية المتكررة (RNNs)، وشبكات الذاكرة قصيرة المدى الطويلة (LSTM) ، والوحدات المتكررة ذات البوابات (GRUs)، ونماذج المحولات، والتي تتفوق في التقاط التبعيات بعيدة المدى. تُستخدم أطر عمل مثل PyTorch و TensorFlow بشكل شائع لبناء نماذج DL هذه. تستكشف بعض الأبحاث أيضًا التقاطعات مع تقنيات معالجة اللغة الطبيعية (NLP).

تطبيقات العالم الحقيقي في الذكاء الاصطناعي/التعلم الآلي

يعد تحليل السلاسل الزمنية أمرًا بالغ الأهمية في العديد من تطبيقات الذكاء الاصطناعي وتعلم الآلة للنمذجة التنبؤية واكتشاف الشذوذ:

1. التنبؤ المالي: في مجال الذكاء الاصطناعي في المجال المالي، تتنبأ نماذج السلاسل الزمنية بأسعار الأسهم وأسعار صرف العملات وتقلبات السوق بناءً على تحركات الأسعار التاريخية وأحجام التداول. تواصل الأبحاث الأكاديمية استكشاف النماذج المتقدمة للتنبؤ بالسوق.
2. التنبؤ بأحمال الطاقة: تستخدم شركات المرافق تحليل السلاسل الزمنية للتنبؤ بالطلب على الكهرباء لتحسين توليد الطاقة وتوزيعها. يساعد التنبؤ الدقيق على إدارة الموارد بكفاءة ويساهم في جهود الاستدامة في مجال الطاقة المتجددة. توفر منظمات مثل إدارة معلومات الطاقة الأمريكية (EIA ) توقعات الطاقة العامة.
3. التنبؤ بمبيعات التجزئة: تتنبأ الشركات بالمبيعات المستقبلية للمنتجات لإدارة المخزون وتخطيط العروض الترويجية وتحسين سلاسل التوريد. يساعد تحليل بيانات المبيعات السابقة على توقع طلب المستهلكين.
4. مراقبة الرعاية الصحية: يساعد تحليل العلامات الحيوية للمريض (مثل معدل ضربات القلب وضغط الدم) المسجلة بمرور الوقت في الكشف المبكر عن الأمراض ومراقبة المريض.

التمييز عن مهام الرؤية الحاسوبية

في حين يركز تحليل السلاسل الزمنية على تسلسل نقاط البيانات الرقمية أو الفئوية على مدار الوقت، يتعامل تحليل الرؤية الحاسوبية مع تفسير المعلومات المرئية من الصور أو مقاطع الفيديو. تقوم مهام مثل اكتشاف الكائنات أو تجزئة الصور، والتي غالبًا ما يتم تنفيذها بواسطة نماذج مثل Ultralytics YOLO11، بتحليل المحتوى المكاني داخل إطارات فردية أو ربط الكائنات عبر الإطارات(تتبع الكائنات).

على الرغم من أن تحليل الفيديو ينطوي بطبيعته على بُعد زمني (تسلسل الإطارات)، إلا أن التقنيات المستخدمة غالبًا ما تختلف عن أساليب السلاسل الزمنية التقليدية. قد يستخدم تحليل الفيديو نماذج مكانية زمانية (مثل CNNs ثلاثية الأبعاد أو محولات الرؤية) التي تأخذ بعين الاعتبار السمات المكانية وتغيراتها بمرور الوقت، بدلاً من تحليل بيانات السلاسل الزمنية أحادية المتغير أو متعددة المتغيرات مباشرةً. قد تولد بعض مهام الرؤية الحاسوبية بيانات السلاسل الزمنية (على سبيل المثال، تتبع عدد الكائنات مع مرور الوقت)، والتي يمكن تحليلها بعد ذلك باستخدام تقنيات السلاسل الزمنية القياسية.

الأدوات والموارد

يتضمن تطوير ونشر نماذج السلاسل الزمنية أدوات مختلفة. فإلى جانب مكتبات تعلم الآلة، توفر الأدوات المتخصصة مثل مكتبة Meta's Prophet قدرات تنبؤ سهلة الاستخدام. وغالبًا ما تتضمن إدارة دورة حياة هذه النماذج، بدءًا من التدريب على مجموعات البيانات القياسية أو المخصصة (مثل تلك الموجودة في مكتبة بيانات السلاسل الزمنية) إلى التقييم والنشر، مبادئ عمليات التعلم الآلي (MLOps) ومنصات مثل Ultralytics HUB. بالنسبة لمصادر التعلم، توفر نصوص مثل "التنبؤ: المبادئ والممارسة" توفر إرشادات شاملة، وتستضيف منصات مثل Kaggle مسابقات السلاسل الزمنية للحصول على الخبرة العملية.