Nutzen Sie die Möglichkeiten der Zeitreihenanalyse zur Vorhersage von Trends, zur Erkennung von Anomalien und zur Optimierung von KI/ML-Anwendungen in verschiedenen Branchen.
Die Zeitreihenanalyse ist eine statistische Methode zur Analyse einer Folge von Datenpunkten, die über einen bestimmten Zeitraum hinweg erfasst wurden. Diese Art von Daten, die als Zeitreihendaten bezeichnet werden, sind chronologisch geordnet und ermöglichen es Analysten und Modellen für maschinelles Lernen (ML), zeitliche Muster, Trends, Saisonalität und andere zeitbasierte Strukturen zu erkennen. Das Hauptziel besteht oft darin, die zugrunde liegenden Ursachen dieser Muster zu verstehen oder Vorhersagen zu treffen, d. h. Vorhersagemodelle zu erstellen, um zukünftige Werte zu schätzen. Sie ist ein Eckpfeiler vieler Bereiche, darunter Wirtschaft, Finanzen und Meteorologie.
Die Zeitreihenanalyse ist von zentraler Bedeutung für den Aufbau intelligenter Systeme, die auf der Grundlage historischer Daten künftige Ereignisse vorhersehen können.
Zur Modellierung von Zeitreihendaten wird eine Vielzahl von Methoden verwendet, von klassischen statistischen Ansätzen bis hin zu komplexen neuronalen Netzen.
Während sich die Zeitreihenanalyse auf Sequenzen numerischer oder kategorischer Datenpunkte im Zeitverlauf konzentriert, befasst sich die Computer Vision (CV) mit der Interpretation visueller Informationen aus Bildern oder Videos. Aufgaben wie die Erkennung von Objekten oder die Segmentierung von Bildern, die häufig von Modellen wie Ultralytics YOLO durchgeführt werden, analysieren in erster Linie den räumlichen Inhalt innerhalb einzelner Bilder oder setzen Objekte über Bilder hinweg in Beziehung(Objektverfolgung).
Obwohl die Videoanalyse von Natur aus eine zeitliche Dimension (eine Abfolge von Einzelbildern) beinhaltet, unterscheiden sich die verwendeten Techniken oft von den traditionellen Zeitreihenmethoden. Bei der Videoanalyse können räumlich-zeitliche Modelle (wie 3D-CNNs oder Vision Transformers) eingesetzt werden, die sowohl räumliche Merkmale als auch deren Veränderungen im Zeitverlauf berücksichtigen. Ein CV-System kann jedoch auch Zeitreihendaten erzeugen. So kann beispielsweise ein System zur Objektzählung in einem Video-Feed eine Zeitreihe der Anzahl der Personen erstellen, die pro Minute einen Bereich durchqueren. Diese Ausgabe kann dann mit Hilfe von Standard-Zeitreihenverfahren zur Trendanalyse oder zur Erkennung von Anomalien analysiert werden.
Für die Entwicklung und den Einsatz von Zeitreihenmodellen sind verschiedene Tools erforderlich. Neben ML-Bibliotheken wie PyTorch und TensorFlow bieten spezialisierte Tools wie die Prophet-Bibliothek von Meta benutzerfreundliche Vorhersagefunktionen. Die Verwaltung des Lebenszyklus dieser Modelle, vom Training auf Benchmark- oder benutzerdefinierten Datensätzen (wie denen in der Time Series Data Library) bis hin zur Bewertung und dem Einsatz des Modells, umfasst häufig die Prinzipien von Machine Learning Operations (MLOps) und Plattformen wie Ultralytics HUB. Für Lernressourcen bieten Texte wie "Forecasting: Principles and Practice" eine umfassende Anleitung, und Plattformen wie Kaggle veranstalten Zeitreihenwettbewerbe für praktische Erfahrungen.