Time Series Analysis

Die Zeitreihenanalyse ist eine spezifische Methode zur Untersuchung einer Abfolge von Datenpunkten, die über ein Zeitintervall gesammelt wurden. Bei diesem Prozess erfassen Analysten Datenpunkte in konsistenten Intervallen über einen festgelegten Zeitraum, anstatt die Datenpunkte nur sporadisch oder zufällig aufzuzeichnen. Im Gegensatz zu statischen Datensätzen, die für die Standard-Image Classification verwendet werden, fügen Zeitreihendaten eine zeitliche Dimension hinzu, was bedeutet, dass die Reihenfolge der Daten für das Verständnis der zugrunde liegenden Muster entscheidend ist. Diese Technik ist grundlegend für die Data Analytics und wird häufig eingesetzt, um zukünftige Ereignisse auf der Grundlage historischer Trends vorherzusagen.

Link to this sectionKernkomponenten 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 Umsätze 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 saisonale Spitzen oder wetterbedingte Kaufgewohnheiten vorzubereiten.
• Stationarität: Eine Zeitreihe gilt als stationär, 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 transformiert werden müssen.
• Rauschschätzung: Zufällige Variationen oder "weißes Rauschen" können echte Muster verdecken. Fortschrittliche Filterung oder Autoencoders werden verwendet, um aussagekräftige Signale von zufälligen Schwankungen zu trennen.

Link to this sectionKI/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 Lagerbedarf vorherzusagen. Durch die Analyse von Zeitreihendaten vergangener Verkäufe können Unternehmen Lieferketten optimieren und so sowohl Überbestände als auch Lieferengpässe reduzieren. Tools wie Facebook Prophet werden oft eingesetzt, um die starken saisonalen Effekte zu bewältigen, die in Einzelhandelsdaten auftreten.
• Überwachung von Vitalparametern im Gesundheitswesen: Im medizinischen Bereich überwachen AI in Healthcare-Systeme kontinuierlich Vitalparameter von Patienten wie Herzfrequenz und Blutdruck. Zeitreihenalgorithmen können eine Anomaly Detection durchführen, um medizinisches Personal sofort zu alarmieren, wenn die Messwerte eines Patienten von ihrem normalen historischen Basiswert abweichen, was potenziell Leben retten kann.
• Vorausschauende Wartung: Fertigungsanlagen nutzen Sensoren, um im Zeitverlauf Vibrations- oder Temperaturdaten von Maschinen zu sammeln. Durch den Einsatz von AI in Manufacturing können Unternehmen Geräteausfälle vorhersagen, bevor sie eintreten, und so Ausfallzeiten minimieren.

Link to this sectionErzeugung von Zeitreihen aus Computer Vision#

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

Das folgende Beispiel demonstriert, wie du Ultralytics YOLO26 verwendest, um Objekte in einem Video zu verfolgen und so visuelle Daten effektiv in eine Zeitreihe von Objektzahlen umzuwandeln.

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 Trainieren von Modellen, die in diese Pipelines einfließen, können Benutzer die Ultralytics Platform nutzen, die den Workflow von der Annotation bis zur Bereitstellung vereinfacht.

Link to this sectionModerne 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): Ein Recurrent Neural Network (RNN) wurde speziell für sequentielle Daten entwickelt und behält ein "Gedächtnis" früherer Eingaben bei, wodurch es für kurzfristige Abhängigkeiten geeignet ist.
• Long Short-Term Memory (LSTM): Um die Einschränkungen standardmäßiger RNNs beim Erinnern langer Sequenzen zu überwinden, nutzt die Long Short-Term Memory (LSTM)-Architektur Gates zur Steuerung des Informationsflusses, wodurch langfristige zeitliche Abhängigkeiten effektiv modelliert werden können.
• Transformers: Ursprünglich für Text entwickelt, sind die Transformer-Architektur und ihre Aufmerksamkeitsmechanismen heute der Stand der Technik für die Vorhersage komplexer Zeitreihendaten und übertreffen dabei oft ältere rekurrenten Modelle.

Link to this sectionAbgrenzung von verwandten Begriffen#

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

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