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 los puntos de datos a intervalos constantes durante un periodo 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 crucial para comprender los patrones subyacentes. Esta técnica es fundamental para el Análisis de datos y se utiliza ampliamente para predecir eventos futuros basándose en tendencias históricas.

Componentes y técnicas principales#

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 aumentan o disminuyen en general a lo largo de varios años.
• Detección de la estacionalidad: Muchos conjuntos de datos muestran cambios regulares y predecibles que se repiten cada año natural. Los minoristas utilizan el análisis de la estacionalidad para prepararse para los picos de ventas de las fiestas o los hábitos de compra relacionados con el tiempo.
• 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 una transformación antes de crear el modelo.
• Estimación del ruido: Las variaciones aleatorias o el «ruido blanco» pueden ocultar los patrones reales. Se utilizan filtros avanzados o autoencoders para separar las señales relevantes de las fluctuaciones aleatorias.

Aplicaciones de AI/ML en el mundo real#

El análisis de series temporales es fundamental para los sectores que necesitan previsiones precisas para optimizar sus operaciones y reducir el riesgo.

• Previsión de la demanda en el comercio minorista: Los minoristas utilizan la IA en el comercio minorista para predecir las necesidades de inventario. Al analizar los datos de series temporales de las ventas anteriores, las empresas pueden optimizar las cadenas de suministro y reducir tanto el exceso de existencias como las roturas de stock. A menudo se emplean herramientas como Facebook Prophet para gestionar los marcados efectos estacionales observados en los datos del comercio minorista.
• Monitorización de constantes vitales en sanidad: En el ámbito médico, los sistemas de IA en sanidad monitorizan continuamente las constantes vitales de los pacientes, como la frecuencia cardíaca y la presión arterial. Los algoritmos de series temporales pueden realizar una Detección de anomalías para alertar inmediatamente al personal médico si las métricas de un paciente se desvían de su línea base histórica normal, lo que podría 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 IA en la fabricación, las empresas pueden predecir los fallos de los equipos antes de que ocurran y minimizar 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 por ordenador (CV), que se centra en datos espaciales como las imágenes, ambos campos suelen estar relacionados. Un modelo de CV puede procesar flujos de vídeo para generar datos de series temporales. Por ejemplo, un sistema de Conteo de objetos instalado en una cámara de tráfico produce un recuento secuencial de vehículos por minuto.

El siguiente ejemplo muestra cómo utilizar Ultralytics YOLO26 para seguir objetos en un vídeo y convertir así 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 alimenten estas canalizaciones, los usuarios pueden aprovechar la Ultralytics Platform, 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 alternativas potentes.

• Redes neuronales recurrentes (RNNs): 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 largo plazo (LSTM): Para abordar las limitaciones de las RNN estándar a la hora de recordar secuencias largas, la arquitectura de memoria a largo plazo (LSTM) utiliza compuertas para controlar el flujo de información y modelar eficazmente las dependencias temporales a largo plazo.
• Transformers: Creada originalmente para el texto, la arquitectura Transformer y sus mecanismos de atención son actualmente de vanguardia para predecir datos complejos de series temporales y a menudo superan a los modelos recurrentes más antiguos.

Diferencias con términos relacionados#

Es importante diferenciar el Análisis de series temporales del Modelado de secuencias y la Visión por ordenador.

• 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) trabaja con secuencias de palabras cuyo orden es importante, pero el elemento «tiempo» es abstracto. El análisis de series temporales implica específicamente que los datos están indexados por tiempo.
• Series temporales frente a visión por ordenador: La CV se ocupa de interpretar entradas visuales (píxeles). Sin embargo, técnicas como la Comprensión de vídeo tienden un puente entre ambos campos al añadir una dimensión temporal al análisis visual, a menudo mediante Transformers para comprender cómo cambia el contenido visual con el tiempo.