Time Series Analysis

L’analyse des séries temporelles est une méthode spécifique d’analyse d’une séquence de points de données collectés sur un intervalle de temps. Dans ce processus, les analystes enregistrent les points de données à intervalles réguliers sur une période définie, plutôt que de les enregistrer de manière intermittente ou aléatoire. Contrairement aux jeux de données statiques utilisés pour la classification d’images standard, les données de séries temporelles ajoutent une dimension temporelle, ce qui signifie que l’ordre des données est crucial pour comprendre les tendances sous-jacentes. Cette technique est fondamentale pour l’analyse des données et est largement utilisée pour prévoir les événements futurs à partir des tendances historiques.

Composants et techniques clés#

Pour analyser efficacement les données temporelles, les praticiens doivent identifier les composants distincts qui constituent le signal.

• Analyse des tendances : Il s’agit d’identifier l’orientation à long terme des données. Par exemple, la régression linéaire est souvent utilisée pour modéliser l’évolution générale des ventes, à la hausse ou à la baisse, sur plusieurs années.
• Détection de la saisonnalité : De nombreux jeux de données présentent des variations régulières et prévisibles qui se répètent chaque année civile. Les détaillants utilisent l’analyse de la saisonnalité pour se préparer aux pics de ventes pendant les fêtes ou aux habitudes d’achat liées aux conditions météorologiques.
• Stationnarité : Une série temporelle est dite stationnaire si ses propriétés statistiques, telles que la moyenne et la variance, ne changent pas au fil du temps. Des techniques comme le test de Dickey-Fuller permettent de déterminer si les données doivent être transformées avant la modélisation.
• Estimation du bruit : Les variations aléatoires, ou « bruit blanc », peuvent masquer les véritables tendances. Des techniques avancées de filtrage ou des autoencodeurs sont utilisés pour séparer les signaux pertinents des fluctuations aléatoires.

Applications concrètes de l’IA/ML#

L’analyse des séries temporelles est essentielle pour les secteurs qui nécessitent des prévisions précises afin d’optimiser leurs opérations et de réduire les risques.

• Prévision de la demande dans le commerce de détail : Les détaillants utilisent l’IA dans le commerce de détail pour prévoir leurs besoins en stocks. En analysant les données de séries temporelles des ventes passées, les entreprises peuvent optimiser leurs chaînes d’approvisionnement et réduire à la fois les surplus de stock et les ruptures de stock. Des outils comme Facebook Prophet sont souvent utilisés pour gérer les forts effets saisonniers observés dans les données du commerce de détail.
• Surveillance des constantes vitales en santé : Dans le domaine médical, les systèmes d’IA dans le secteur de la santé surveillent en continu les constantes vitales des patients, comme la fréquence cardiaque et la tension artérielle. Les algorithmes de séries temporelles peuvent effectuer une détection des anomalies afin d’alerter immédiatement le personnel médical si les indicateurs d’un patient s’écartent de leur référence historique normale, ce qui peut contribuer à sauver des vies.
• Maintenance prédictive : Les usines de fabrication utilisent des capteurs pour collecter au fil du temps des données de vibration ou de température provenant des machines. En appliquant l’IA dans le secteur manufacturier, les entreprises peuvent prévoir les pannes des équipements avant qu’elles ne surviennent et réduire ainsi les temps d’arrêt.

Génération de séries temporelles à partir de la vision par ordinateur#

Bien que l’analyse des séries temporelles soit distincte de la vision par ordinateur (CV), qui se concentre sur les données spatiales telles que les images, les deux domaines se recoupent souvent. Un modèle de CV peut traiter des flux vidéo pour générer des données de séries temporelles. Par exemple, un système de comptage d’objets fonctionnant sur une caméra de circulation produit un décompte séquentiel des voitures par minute.

L’exemple suivant montre comment utiliser Ultralytics YOLO26 pour suivre des objets dans une vidéo et convertir ainsi efficacement les données visuelles en une série temporelle de décomptes d’objets.

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")

Pour gérer les jeux de données et entraîner les modèles qui alimentent ces pipelines, tu peux utiliser l’Ultralytics Platform, qui simplifie le flux de travail, de l’annotation au déploiement.

Architectures neuronales modernes#

Les méthodes statistiques traditionnelles comme ARIMA (moyenne mobile intégrée autorégressive) restent populaires, mais l’apprentissage profond (DL) moderne a introduit de puissantes alternatives.

• Réseaux neuronaux récurrents (RNNs) : Conçu spécifiquement pour les données séquentielles, un réseau neuronal récurrent (RNN) conserve une « mémoire » des entrées précédentes, ce qui le rend adapté aux dépendances à court terme.
• Mémoire à long et court terme (LSTM) : Pour répondre aux limites des RNNs standard dans la mémorisation des longues séquences, l’architecture mémoire à long et court terme (LSTM) utilise des portes pour contrôler le flux d’informations et modéliser efficacement les dépendances temporelles à long terme.
• Transformers : Initialement conçue pour le texte, l’architecture Transformer et ses mécanismes d’attention sont désormais à la pointe de la technologie pour prévoir des données de séries temporelles complexes, dépassant souvent les anciens modèles récurrents.

Distinction avec les termes associés#

Il est important de distinguer l’analyse des séries temporelles de la modélisation de séquences et de la vision par ordinateur.

• Séries temporelles et modélisation de séquences : Bien que toutes les séries temporelles soient des séquences, toutes les séquences ne sont pas des séries temporelles. Le traitement automatique du langage naturel (NLP) porte sur des séquences de mots dont l’ordre est important, mais l’élément « temps » y est abstrait. L’analyse des séries temporelles implique spécifiquement que les données soient indexées par le temps.
• Séries temporelles et vision par ordinateur : La CV traite de l’interprétation d’entrées visuelles, comme les pixels. Cependant, des techniques comme la compréhension vidéo font le lien en ajoutant une dimension temporelle à l’analyse visuelle, en utilisant souvent des Transformers pour comprendre l’évolution du contenu visuel au fil du temps.