Time Series Analysis

Zeitreihenanalyse ist eine spezielle Methode zur Analyse einer Folge von Datenpunkten, die über einen bestimmten Zeitraum hinweg erfasst wurden. Bei diesem Verfahren erfassen Analysten Datenpunkte in gleichmäßigen Abständen über einen festgelegten Zeitraum, anstatt sie nur sporadisch oder zufällig aufzuzeichnen. Anders als statische Datensätze, die für die standardmäßige Bildklassifikation verwendet werden, fügen Zeitreihendaten eine zeitliche Dimension hinzu. Das bedeutet, dass die Reihenfolge der Daten entscheidend ist, um die zugrunde liegenden Muster zu verstehen. Diese Technik ist grundlegend für die Datenanalyse und wird häufig eingesetzt, um zukünftige Ereignisse auf Grundlage historischer Trends vorherzusagen.

Kernkomponenten und Techniken#

Um zeitbezogene Daten effektiv zu analysieren, müssen Praktiker die einzelnen Komponenten identifizieren, aus denen sich das Signal zusammensetzt.

• Trendanalyse: Dabei wird die langfristige Entwicklung der Daten ermittelt. Beispielsweise wird häufig die lineare Regression verwendet, um zu modellieren, ob die Verkaufszahlen über mehrere Jahre hinweg generell steigen oder sinken.
• Erkennung von Saisonalität: Viele Datensätze weisen regelmäßige, vorhersehbare Veränderungen auf, die jedes Kalenderjahr wiederkehren. Einzelhändler nutzen die Saisonalitätsanalyse, um sich auf Spitzen während der Feiertage oder wetterbedingte Kaufgewohnheiten vorzubereiten.
• Stationarität: Eine Zeitreihe gilt als stationär, wenn sich ihre statistischen Eigenschaften, etwa Mittelwert und Varianz, im Laufe der Zeit nicht verändern. Techniken wie der Dickey-Fuller-Test helfen festzustellen, ob Daten vor der Modellierung transformiert werden müssen.
• Schätzung des Rauschens: Zufällige Schwankungen oder „weißes Rauschen“ können echte Muster verdecken. Fortschrittliche Filterverfahren oder Autoencoder werden verwendet, um aussagekräftige Signale von zufälligen Schwankungen zu trennen.

Praxisnahe Anwendungen von KI und ML#

Die Zeitreihenanalyse ist für Branchen von entscheidender Bedeutung, die genaue Prognosen benötigen, um ihre Abläufe zu optimieren und Risiken zu reduzieren.

• Nachfrageprognosen im Einzelhandel: Einzelhändler nutzen KI im Einzelhandel, um ihren Lagerbedarf vorherzusagen. Durch die Analyse von Zeitreihendaten zu vergangenen Verkäufen können Unternehmen ihre Lieferketten optimieren und sowohl Überbestände als auch Fehlbestände reduzieren. Tools wie Facebook Prophet werden häufig eingesetzt, um die starken saisonalen Effekte in Einzelhandelsdaten zu berücksichtigen.
• Überwachung von Vitalparametern im Gesundheitswesen: Im medizinischen Bereich überwachen KI-Systeme im Gesundheitswesen kontinuierlich die Vitalparameter von Patienten, etwa Herzfrequenz und Blutdruck. Zeitreihenalgorithmen können eine Anomalieerkennung durchführen und das medizinische Personal sofort alarmieren, wenn die Messwerte eines Patienten von seinem normalen historischen Referenzbereich abweichen, wodurch möglicherweise Leben gerettet werden.
• Vorausschauende Wartung: Produktionsanlagen verwenden Sensoren, um im Laufe der Zeit Schwingungs- oder Temperaturdaten von Maschinen zu erfassen. Durch den Einsatz von KI in der Fertigung können Unternehmen Geräteausfälle vor ihrem Eintreten vorhersagen und so Ausfallzeiten minimieren.

Erzeugung von Zeitreihen aus Computer Vision#

Obwohl sich die Zeitreihenanalyse von Computer Vision (CV) unterscheidet, die sich auf räumliche Daten wie Bilder konzentriert, überschneiden sich die beiden Bereiche häufig. Ein CV-Modell kann Videostreams verarbeiten, um Zeitreihendaten zu erzeugen. So liefert beispielsweise ein auf einer Verkehrskamera ausgeführtes System zur Objektzählung eine sequenzielle Anzahl der Fahrzeuge pro Minute.

Das folgende Beispiel zeigt, wie du Ultralytics YOLO26 verwenden kannst, um Objekte in einem Video zu verfolgen und visuelle Daten effektiv in eine Zeitreihe von Objektzählungen 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 Nutzer die Ultralytics Platform verwenden, die den Workflow von der Annotation bis zur Bereitstellung vereinfacht.

Moderne neuronale Architekturen#

Traditionelle statistische Methoden wie ARIMA (Autoregressives integriertes gleitendes Mittel) sind nach wie vor beliebt, aber modernes Deep Learning (DL) hat leistungsfähige Alternativen hervorgebracht.

• Rekurrente neuronale Netze (RNNs): Ein rekurrentes neuronales Netz (RNN) wurde speziell für Sequenzdaten entwickelt und behält ein „Gedächtnis“ vorheriger Eingaben, wodurch es sich für kurzfristige Abhängigkeiten eignet.
• Long Short-Term Memory (LSTM): Um die Einschränkungen herkömmlicher RNNs beim Merken langer Sequenzen zu überwinden, verwendet die Long-Short-Term-Memory-Architektur (LSTM) Gatter zur Steuerung des Informationsflusses und modelliert dadurch langfristige zeitliche Abhängigkeiten effektiv.
• Transformer: Die ursprünglich für Text entwickelten Aufmerksamkeitsmechanismen der Transformer-Architektur gelten inzwischen als Stand der Technik für die Prognose komplexer Zeitreihendaten und übertreffen ältere rekurrente Modelle häufig.

Abgrenzung zu verwandten Begriffen#

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

• Zeitreihe vs. Sequenzmodellierung: Obwohl alle Zeitreihen Sequenzen sind, sind nicht alle Sequenzen Zeitreihen. Die Verarbeitung natürlicher Sprache (NLP) befasst sich mit Wortsequenzen, bei denen die Reihenfolge eine Rolle spielt, das Element „Zeit“ jedoch abstrakt ist. Zeitreihenanalyse bedeutet ausdrücklich, dass die Daten nach Zeit indiziert sind.
• Zeitreihe vs. Computer Vision: CV befasst sich mit der Interpretation visueller Eingaben (Pixeln). Techniken wie das Verstehen von Videos überbrücken jedoch die Lücke, indem sie der visuellen Analyse eine zeitliche Dimension hinzufügen und häufig Transformer verwenden, um zu verstehen, wie sich visuelle Inhalte im Laufe der Zeit verändern.