Time Series Analysis

El análisis de series temporales es un método específico para analizar una secuencia de puntos de datos recopilados en un intervalo de tiempo. En este proceso, los analistas registran puntos de datos en intervalos consistentes durante un período determinado en lugar de registrarlos 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 fundamental para comprender los patrones subyacentes. Esta técnica es esencial para el Análisis de datos y se utiliza ampliamente para predecir eventos futuros basados en tendencias históricas.

Link to this sectionComponentes 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 Regresión lineal se utiliza a menudo para modelar si las ventas están aumentando o disminuyendo generalmente 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 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 prueba de Dickey-Fuller ayudan a determinar si los datos necesitan transformación antes del 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.

Link to this sectionAplicaciones 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 IA en el comercio minorista 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 stock como las roturas de stock. Herramientas como Facebook Prophet se emplean a menudo para manejar los fuertes efectos estacionales que se observan en los datos minoristas.
• Monitorización de constantes vitales en el ámbito sanitario: En el campo médico, los sistemas de IA en el cuidado de la salud monitorizan continuamente las constantes vitales del paciente, como la frecuencia cardíaca y la presión arterial. Los algoritmos de series temporales pueden realizar una Detección de anomalías para alertar al personal médico inmediatamente si las métricas de un paciente se desvían de su línea base histórica normal, lo que potencialmente salva 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 IA en la fabricación, las empresas pueden predecir fallos en los equipos antes de que ocurran, minimizando el tiempo de inactividad.

Link to this sectionGeneración de series temporales a partir de Computer Vision#

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

El siguiente ejemplo demuestra cómo usar Ultralytics YOLO26 para rastrear objetos en un vídeo, convirtiendo eficazmente los datos visuales en una serie temporal de conteos 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 se integran en estos flujos de trabajo, puedes aprovechar Ultralytics Platform, que simplifica el proceso desde la anotación hasta el despliegue.

Link to this sectionArquitecturas neuronales modernas#

Los métodos estadísticos tradicionales como 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 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 Long Short-Term Memory (LSTM) utiliza puertas para controlar el flujo de información, modelando eficazmente dependencias temporales a largo plazo.
• Transformers: Creada originalmente para texto, la arquitectura Transformer y sus mecanismos de atención son ahora el estado del arte para la previsión de series temporales complejas, superando a menudo a los modelos recurrentes más antiguos.

Link to this sectionDistinción de términos relacionados#

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

• Series temporales frente al modelado de secuencias: Aunque todas las series temporales son secuencias, no todas las secuencias son series temporales. El Procesamiento del lenguaje natural (NLP) trata con secuencias de palabras donde el orden importa, pero el elemento "tiempo" es abstracto. El análisis de series temporales implica específicamente que los datos están indexados por tiempo.
• Series temporales frente a Computer Vision: La CV se ocupa de interpretar entradas visuales (píxeles). Sin embargo, técnicas como la Comprensión de vídeo cierran la brecha añadiendo una dimensión temporal al análisis visual, a menudo utilizando Transformers para comprender cómo cambia el contenido visual a lo largo del tiempo.