Zeitreihenanalyse

Die 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 regelmäßigen Abständen über einen festgelegten Zeitraum, anstatt die Datenpunkte nur sporadisch oder zufällig zu erfassen. Im Gegensatz zu statischen Datensätzen, die für die Standard- Bildklassifizierung verwendet werden, fügen Zeitreihendaten eine zeitliche Dimension hinzu, was bedeutet, dass die Reihenfolge der Daten entscheidend für das Verständnis der zugrunde liegenden Muster ist. Diese Technik ist für die Datenanalyse von grundlegender Bedeutung und wird häufig zur Vorhersage zukünftiger Ereignisse auf der Grundlage historischer Trends eingesetzt.

Kernkomponenten und Techniken

Um zeitbasierte Daten effektiv analysieren zu können, müssen Fachleute die einzelnen Komponenten identifizieren, aus denen sich das Signal zusammensetzt.

• Trendanalyse: Dabei wird die langfristige Richtung der Daten ermittelt. Beispielsweise wird die lineare Regression häufig verwendet, um zu modellieren, ob die Umsätze über mehrere Jahre hinweg generell steigen oder sinken.
• Erkennung von Saisonabhängigkeiten: Viele Datensätze weisen regelmäßige, vorhersehbare Veränderungen auf, die jedes Kalenderjahr wiederkehren. Einzelhändler nutzen Saisonanalysen, um sich auf Feiertagsspitzen 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 dabei, festzustellen, ob Daten vor der Modellierung transformiert werden müssen.
• Rauschschätzung: Zufällige Schwankungen oder „weißes Rauschen” können wahre Muster verschleiern. Fortgeschrittene Filterung oder Autoencoder werden verwendet, um bedeutungsvolle Signale von zufälligen Schwankungen zu trennen.

KI/ML-Anwendungen in der realen Welt

Die Zeitreihenanalyse ist von entscheidender Bedeutung für Branchen, die genaue Prognosen benötigen, um den Betrieb zu optimieren und Risiken zu verringern. Risiko.

• Bedarfsprognosen im Einzelhandel: Einzelhändler nutzen KI im Einzelhandel, um den Lagerbedarf vorherzusagen. Durch die Analyse von Zeitreihendaten vergangener Verkäufe können Unternehmen ihre Lieferketten optimieren und sowohl Überbestände als auch Lagerengpässe reduzieren. Tools wie Facebook Prophet werden häufig eingesetzt, um die starken saisonalen Effekte in den Einzelhandelsdaten zu berücksichtigen.
• Überwachung lebenswichtiger Gesundheitsdaten: Im medizinischen Bereich überwachen KI-Systeme im Gesundheitswesen kontinuierlich die Vitalwerte von Patienten wie Herzfrequenz und Blutdruck. Zeitreihenalgorithmen können Anomalien erkennen und das medizinische Personal sofort alarmieren, wenn die Werte eines Patienten von ihren normalen historischen Basiswerten abweichen, was Leben retten kann.
• Vorausschauende Wartung: Produktionsstätten verwenden Sensoren, um über einen bestimmten Zeitraum Vibrations- oder Temperaturdaten von Maschinen zu erfassen. Durch den Einsatz von KI in der Fertigung können Unternehmen Ausfälle von Anlagen vorhersagen, bevor sie auftreten, und so Ausfallzeiten minimieren.

Generierung von Zeitreihen aus Computer Vision

Die Zeitreihenanalyse unterscheidet sich zwar von der Computer Vision (CV), die sich auf räumliche Daten wie Bilder konzentriert, doch überschneiden sich die beiden Bereiche häufig. Ein CV-Modell kann Videostreams verarbeiten, um Zeitreihendaten zu generieren. Beispielsweise erzeugt ein auf einer Verkehrskamera laufendes Objektzählsystem eine sequenzielle Zählung der Autos pro Minute.

Das folgende Beispiel zeigt, wie Sie mit Ultralytics track in einem Video track und so visuelle Daten effektiv in eine Zeitreihe von Objektzählungen umwandeln können.

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 Trainingsmodellen, die in diese Pipelines einfließen, können Nutzer die Ultralytics 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 das moderne Deep Learning (DL) hat leistungsstarke Alternativen eingeführt.

• Rekursive neuronale Netze (RNNs): Ein rekursives neuronales Netz (RNN) wurde speziell für sequenzielle Daten entwickelt und speichert frühere Eingaben, sodass es sich für kurzfristige Abhängigkeiten eignet.
• Long Short-Term Memory (LSTM): Um die Einschränkungen von Standard-RNNs beim Speichern langer Sequenzen zu beheben, nutzt die Long Short-Term Memory (LSTM)-Architektur Gates, um den Informationsfluss zu steuern und so langfristige zeitliche Abhängigkeiten effektiv zu modellieren.
• Transformatoren: Ursprünglich für Text entwickelt, sind die Transformer- Architektur und ihre Aufmerksamkeitsmechanismen heute Stand der Technik für die Prognose komplexer Zeitreihendaten und übertreffen oft ältere rekurrenten Modelle.

Abgrenzung zu verwandten Begriffen

Es ist wichtig, die Zeitreihenanalyse von der Modellierung von Sequenzen und der Computer Vision.

• Zeitreihen vs. Sequenzmodellierung: Während alle Zeitreihen Sequenzen sind, sind nicht alle Sequenzen Zeitreihen . Die natürliche Sprachverarbeitung (Natural Language Processing, NLP) befasst sich mit Wortsequenzen, bei denen die Reihenfolge eine Rolle spielt, das Element „Zeit“ jedoch abstrakt ist. Die Zeitreihenanalyse impliziert insbesondere, dass die Daten nach Zeit indiziert sind.
• Zeitreihen vs. Computer Vision: CV befasst sich mit der Interpretation visueller Eingaben (Pixel). Techniken wie Video Understanding schließen jedoch die Lücke, indem sie der visuellen Analyse eine zeitliche Dimension hinzufügen und häufig Transformatoren verwenden, um zu verstehen, wie sich visuelle Inhalte im Laufe der Zeit verändern.