Análisis de series temporales

El análisis de series temporales es un método específico para analizar una secuencia de puntos de datos recopilados durante un intervalo de tiempo. En este proceso, los analistas registran puntos de datos a intervalos constantes durante un período determinado, en lugar de registrar los puntos de datos de forma intermitente o aleatoria. A diferencia de los conjuntos de datos estáticos utilizados para la clasificación de imágenes estándar, los datos de series temporales añaden una dimensión temporal, lo que significa que el orden de los datos es crucial para comprender los patrones subyacentes. Esta técnica es fundamental para el análisis de datos y se utiliza ampliamente para pronosticar eventos futuros basándose en tendencias históricas.

Componentes y técnicas fundamentales

Para analizar eficazmente los datos basados en el tiempo, los profesionales deben identificar los distintos componentes que conforman la señal.

• Análisis de tendencias: consiste en identificar la dirección a largo plazo de los datos. Por ejemplo, la regresión lineal se utiliza a menudo para modelar si las ventas están aumentando o disminuyendo en general a lo largo de varios años.
• Detección de estacionalidad: Muchos conjuntos de datos muestran cambios regulares y predecibles que se repiten cada año natural. Los minoristas utilizan el análisis de estacionalidad para prepararse para los picos de las fiestas o los hábitos de compra relacionados con el clima.
• Estacionariedad: Se dice que una serie temporal es estacionaria si sus propiedades estadísticas, como la media y la varianza, no cambian con el tiempo. Técnicas como la prueba de Dickey-Fuller ayudan a determinar si los datos necesitan transformarse antes de modelizarlos.
• Estimación del ruido: Las variaciones aleatorias o «ruido blanco» pueden ocultar los patrones reales. Se utilizan filtros avanzados o autoencodificadores para separar las señales significativas de las fluctuaciones aleatorias.

Aplicaciones de IA/ML en el mundo real

El análisis de series temporales es fundamental para las industrias que requieren previsiones precisas para optimizar las operaciones y reducir los riesgos. riesgo.

• Previsión de la demanda en el comercio minorista: los minoristas utilizan la IA en el comercio minorista para predecir las necesidades de inventario. Mediante el análisis de series temporales de ventas pasadas, las empresas pueden optimizar las cadenas de suministro, reduciendo tanto el exceso de existencias como la falta de existencias. A menudo se emplean herramientas como Facebook Prophet para gestionar los fuertes efectos estacionales que se observan en los datos del comercio minorista.
• Monitorización de constantes vitales: En el ámbito médico, los sistemas de IA en el sector sanitario monitorizan continuamente las constantes vitales de los pacientes, como la frecuencia cardíaca y la presión arterial. Los algoritmos de series temporales pueden realizar detecciones de anomalías para alertar al personal médico de inmediato si los parámetros de un paciente se desvían de su línea de base histórica normal, lo que puede salvar vidas.
• Mantenimiento predictivo: Las plantas de fabricación utilizan sensores para recopilar datos sobre vibraciones o temperaturas de la maquinaria a lo largo del tiempo. Mediante la aplicación de la IA en la fabricación, las empresas pueden predecir los fallos de los equipos antes de que se produzcan, minimizando así el tiempo de inactividad.

Generación de series temporales a partir de la visión por ordenador

Aunque el análisis de series temporales es distinto de la visión artificial (CV), que se centra en datos espaciales como las imágenes, ambos campos a menudo se solapan. Un modelo de CV puede procesar secuencias de vídeo para generar datos de series temporales. Por ejemplo, un sistema de recuento de objetos que se ejecuta en una cámara de tráfico produce un recuento secuencial de coches por minuto.

El siguiente ejemplo muestra cómo utilizar Ultralytics para track en un vídeo, convirtiendo eficazmente los datos visuales en una serie temporal de recuentos de objetos.

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")

Para gestionar los conjuntos de datos y entrenar los modelos que alimentan estas canalizaciones, los usuarios pueden aprovechar Ultralytics , que simplifica el flujo de trabajo desde la anotación hasta la implementación.

Arquitecturas neuronales modernas

Los métodos estadísticos tradicionales como ARIMA (media móvil integrada autorregresiva) siguen siendo populares, pero el aprendizaje profundo (DL) moderno ha introducido potentes alternativas.

• Redes neuronales recurrentes (RNN): Diseñadas específicamente para datos secuenciales, una red neuronal recurrente (RNN) mantiene una «memoria» de las entradas anteriores, lo que la hace adecuada para dependencias a corto plazo.
• Memoria a corto y largo plazo (LSTM): Para abordar las limitaciones de las RNN estándar a la hora de recordar secuencias largas , la arquitectura de memoria a corto y largo plazo (LSTM) utiliza puertas para controlar el flujo de información, modelando eficazmente las dependencias temporales a largo plazo.
• Transformadores: Originalmente creados para el texto, la arquitectura del transformador y sus mecanismos de atención son ahora lo último en pronóstico de datos de series temporales complejas, superando a menudo a los modelos recurrentes más antiguos.

Distinción de términos afines

Es importante diferenciar el Análisis de Series Temporales del Modelado de Secuencias y de la Visión por Computador.

• Modelado de series temporales frente a modelado de secuencias: aunque todas las series temporales son secuencias, no todas las secuencias son series temporales. El procesamiento del lenguaje natural (NLP) se ocupa de secuencias de palabras en las que el orden es importante, pero el elemento «tiempo» es abstracto. El análisis de series temporales implica específicamente que los datos se indexan por tiempo.
• Series temporales frente a visión artificial: la visión artificial se ocupa de interpretar entradas visuales (píxeles). Sin embargo, técnicas como la comprensión de vídeo salvan la brecha añadiendo una dimensión temporal al análisis visual, a menudo utilizando transformadores para comprender cómo cambia el contenido visual a lo largo del tiempo.