Time Series Analysis

Zeitreihenanalyse ist eine spezifische Methode zur Analyse einer Sequenz von Datenpunkten, die über ein Zeitintervall hinweg erfasst wurden. Bei diesem Prozess zeichnen Analysten Datenpunkte in konsistenten Intervallen über einen festgelegten Zeitraum auf, anstatt die Datenpunkte nur intermittierend oder zufällig zu erfassen. Im Gegensatz zu statischen Datensätzen, die für die standardmäßige Image Classification verwendet werden, fügt die Zeitreihenanalyse eine zeitliche Dimension hinzu, was bedeutet, dass die Reihenfolge der Daten entscheidend für das Verständnis der zugrundeliegenden Muster ist. Diese Technik ist grundlegend für Data Analytics und wird häufig verwendet, um zukünftige Ereignisse auf Basis historischer Trends vorherzusagen.

Kernkomponenten und Techniken#

Um zeitbasierte Daten effektiv zu analysieren, müssen Anwender die unterschiedlichen Komponenten identifizieren, die das Signal ausmachen.

• Trendanalyse: Dies beinhaltet die Identifizierung der langfristigen Richtung der Daten. Zum Beispiel wird Linear Regression oft verwendet, um zu modellieren, ob die Verkäufe über mehrere Jahre hinweg generell steigen oder fallen.
• Saisonalitätserkennung: Viele Datensätze weisen regelmäßige, vorhersehbare Änderungen auf, die jedes Kalenderjahr wiederkehren. Einzelhändler nutzen die seasonality analysis, um sich auf Feiertagsspitzen oder wetterbedingte Kaufgewohnheiten vorzubereiten.
• Stationarität: Eine Zeitreihe wird als stationär bezeichnet, wenn sich ihre statistischen Eigenschaften wie Mittelwert und Varianz im Laufe der Zeit nicht ändern. Techniken wie der Dickey-Fuller test helfen festzustellen, ob Daten vor der Modellierung eine Transformation errauchen.
• Rauschschätzung: Zufällige Schwankungen oder „weißes Rauschen“ können echte Muster verdecken. Fortschrittliche Filterung oder Autoencoders werden verwendet, um aussagekräftige Signale von zufälligen Schwankungen zu trennen.

KI/ML-Anwendungen in der Praxis#

Die Zeitreihenanalyse ist entscheidend für Branchen, die präzise Prognosen benötigen, um Abläufe zu optimieren und Risiken zu minimieren.

• Nachfrageprognose im Einzelhandel: Einzelhändler nutzen AI in Retail, um den Bestandsbedarf vorherzusagen. Durch die Analyse von Zeitreihendaten vergangener Verkäufe können Unternehmen Lieferketten optimieren und sowohl Überbestände als auch Bestandsausfälle reduzieren. Tools wie Facebook Prophet werden häufig eingesetzt, um die starken saisonalen Effekte in Verkaufsdaten zu bewältigen.
• Überwachung von Vitalwerten im Gesundheitswesen: Im medizinischen Bereich überwachen AI in Healthcare-Systeme kontinuierlich die Vitalwerte von Patienten wie Herzfrequenz und Blutdruck. Zeitreihenalgorithmen können eine Anomaly Detection durchführen, um das medizinische Personal sofort zu alarmieren, wenn die Messwerte eines Patienten von ihrer normalen historischen Baseline abweichen, was möglicherweise Leben rettet.
• Vorausschauende Wartung: Produktionsstätten verwenden Sensoren, um Vibrations- oder Temperaturdaten von Maschinen im Laufe der Zeit zu sammeln. Durch den Einsatz von AI in Manufacturing können Unternehmen Maschinenausfälle vor ihrem Auftreten vorhersagen und Ausfallzeiten minimieren.

Erzeugung von Zeitreihen aus Computer Vision#

Während sich die Zeitreihenanalyse von Computer Vision (CV) unterscheidet, die sich auf räumliche Daten wie Bilder konzentriert, überschneiden sich die beiden Bereiche oft. Ein CV-Modell kann Videostreams verarbeiten, um Zeitreihendaten zu generieren. Beispielsweise erzeugt ein Object Counting-System, das auf einer Verkehrskamera läuft, eine sequentielle Zählung von Autos pro Minute.

Das folgende Beispiel zeigt, wie du Ultralytics YOLO26 verwendest, um Objekte in einem Video zu verfolgen, wodurch visuelle Daten effektiv in eine Zeitreihe von Objektanzahlen umgewandelt werden.

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")

Für die Verwaltung von Datensätzen und das Training von Modellen, die in diese Pipelines einfließen, können Benutzer die Ultralytics Platform nutzen, die den Workflow von der Annotation bis zur Bereitstellung vereinfacht.

Moderne neuronale Architekturen#

Traditionelle statistische Methoden wie ARIMA (AutoRegressive Integrated Moving Average) sind nach wie vor beliebt, aber modernes Deep Learning (DL) hat leistungsstarke Alternativen eingeführt.

• Recurrent Neural Networks (RNNs): Speziell für sequentielle Daten entwickelt, behält ein Recurrent Neural Network (RNN) ein „Gedächtnis“ früherer Eingaben bei, wodurch es sich für kurzfristige Abhängigkeiten eignet.
• Long Short-Term Memory (LSTM): Um die Einschränkungen standardmäßiger RNNs beim Erinnern langer Sequenzen zu überwinden, verwendet die Long Short-Term Memory (LSTM)-Architektur Gates zur Steuerung des Informationsflusses, wodurch langfristige zeitliche Abhängigkeiten effektiv modelliert werden.
• Transformers: Ursprünglich für Text entwickelt, sind die Transformer-Architektur und ihre Aufmerksamkeitsmechanismen heute State-of-the-Art für die Prognose komplexer Zeitreihendaten und übertreffen dabei oft ältere rekurrente Modelle.

Abgrenzung von verwandten Begriffen#

Es ist wichtig, zwischen Zeitreihenanalyse, Sequenzmodellierung und Computer Vision zu unterscheiden.

• Zeitreihen vs. Sequenzmodellierung: Zwar sind alle Zeitreihen Sequenzen, aber nicht alle Sequenzen sind Zeitreihen. Natural Language Processing (NLP) befasst sich mit Wortsequenzen, bei denen die Reihenfolge wichtig ist, aber das „Zeit“-Element abstrakt ist. Die Zeitreihenanalyse impliziert spezifisch, dass die Daten nach Zeit indiziert sind.
• Zeitreihen vs. Computer Vision: CV befasst sich mit der Interpretation visueller Eingaben (Pixel). Techniken wie Video Understanding schlagen jedoch eine Brücke, indem sie der visuellen Analyse eine zeitliche Dimension hinzufügen und oft Transformers verwenden, um zu verstehen, wie sich visuelle Inhalte im Laufe der Zeit verändern.