Time Series Analysis

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 Image Classification estándar, los datos de series temporales añaden una dimensión temporal, lo que significa que el orden de los datos es fundamental para comprender los patrones subyacentes. Esta técnica es fundamental para el Data Analytics y se utiliza ampliamente para pronosticar eventos futuros basados en tendencias históricas.

Componentes y técnicas principales#

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

• Análisis de tendencias: Esto implica identificar la dirección a largo plazo de los datos. Por ejemplo, la Linear Regression se utiliza a menudo para modelar si las ventas están aumentando o disminuyendo en general durante varios años.
• Detección de estacionalidad: Muchos conjuntos de datos muestran cambios regulares y predecibles que se repiten cada año calendario. Los minoristas utilizan el seasonality analysis para prepararse para los picos festivos 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 Dickey-Fuller test ayudan a determinar si los datos necesitan una transformación antes de realizar el modelado.
• Estimación de ruido: Las variaciones aleatorias o el «ruido blanco» pueden oscurecer los patrones reales. Se utilizan filtros avanzados o Autoencoders 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 una previsión precisa para optimizar las operaciones y reducir el riesgo.

• Previsión de la demanda en el comercio minorista: Los minoristas utilizan la AI in Retail para predecir los requisitos de inventario. Al analizar los datos de series temporales de ventas pasadas, las empresas pueden optimizar las cadenas de suministro, reduciendo tanto el exceso de existencias como las roturas de stock. A menudo se emplean herramientas como Facebook Prophet para manejar los fuertes efectos estacionales que se observan en los datos minoristas.
• Monitorización de constantes vitales en sanidad: En el ámbito médico, los sistemas de AI in Healthcare monitorizan continuamente las constantes vitales de los pacientes, como la frecuencia cardíaca y la presión arterial. Los algoritmos de series temporales pueden realizar Anomaly Detection para alertar al personal médico de inmediato si las métricas de un paciente se desvían de su línea de base histórica normal, lo que potencialmente puede salvar vidas.
• Mantenimiento predictivo: Las plantas de fabricación utilizan sensores para recopilar datos de vibración o temperatura de la maquinaria a lo largo del tiempo. Al aplicar la AI in Manufacturing, las empresas pueden predecir fallos en los equipos antes de que ocurran, minimizando el tiempo de inactividad.

Generación de series temporales a partir de Computer Vision#

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

El siguiente ejemplo demuestra cómo utilizar Ultralytics YOLO26 para rastrear objetos en un vídeo, convirtiendo de manera efectiva 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 conjuntos de datos y entrenar modelos que alimentan estos flujos de trabajo, puedes aprovechar el Ultralytics Platform, que simplifica el proceso desde la anotación hasta el despliegue.

Arquitecturas neuronales modernas#

Los métodos estadísticos tradicionales como el ARIMA (AutoRegressive Integrated Moving Average) siguen siendo populares, pero el Deep Learning (DL) moderno ha introducido alternativas potentes.

• Redes neuronales recurrentes (RNN): Diseñada específicamente para datos secuenciales, una Recurrent Neural Network (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 Long Short-Term Memory (LSTM) utiliza puertas para controlar el flujo de información, modelando eficazmente las dependencias temporales a largo plazo.
• Transformers: Construida originalmente para texto, la arquitectura Transformer y sus mecanismos de atención son ahora la tecnología más avanzada para pronosticar datos complejos de series temporales, superando a menudo a los modelos recurrentes más antiguos.

Distinción de términos relacionados#

Es importante diferenciar el Análisis de series temporales del Modelado de secuencias y la Computer Vision.

• Series temporales frente a modelado de secuencias: Aunque todas las series temporales son secuencias, no todas las secuencias son series temporales. El Natural Language Processing (NLP) trata con secuencias de palabras en las que el orden importa, pero el elemento «tiempo» es abstracto. El análisis de series temporales implica específicamente que los datos están indexados por el tiempo.
• Series temporales frente a visión artificial: La visión artificial se ocupa de interpretar entradas visuales (píxeles). Sin embargo, técnicas como el Video Understanding salvan la distancia al añadir una dimensión temporal al análisis visual, utilizando a menudo Transformers para comprender cómo cambia el contenido visual con el tiempo.