Time Series Analysis

L'analyse de 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 des points de données à des intervalles réguliers sur une période définie plutôt que d'enregistrer simplement les points de données par intermittence ou au hasard. Contrairement aux jeux de données statiques utilisés pour la Image Classification standard, les données de séries temporelles ajoutent une dimension temporelle, ce qui signifie que l'ordre des données est crucial pour comprendre les schémas sous-jacents. Cette technique est fondamentale pour l'Data Analytics et est largement utilisée pour prévoir des événements futurs sur la base de tendances historiques.

Composants et techniques essentiels#

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

• Analyse des tendances : Cela implique d'identifier la direction à long terme des données. Par exemple, la Linear Regression est souvent utilisée pour modéliser si les ventes augmentent ou diminuent globalement sur plusieurs années.
• Détection de la saisonnalité : De nombreux jeux de données présentent des changements réguliers et prévisibles qui se répètent chaque année civile. Les détaillants utilisent la seasonality analysis pour se préparer aux pics de vacances ou aux habitudes d'achat liées à la météo.
• 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 Dickey-Fuller test aident à déterminer si les données ont besoin d'une transformation avant la modélisation.
• Estimation du bruit : Les variations aléatoires ou le « bruit blanc » peuvent masquer de véritables schémas. Des filtrages avancés ou des Autoencoders sont utilisés pour séparer les signaux significatifs des fluctuations aléatoires.

Applications réelles de l'IA/ML#

L'analyse de séries temporelles est essentielle pour les secteurs nécessitant des prévisions précises afin d'optimiser les opérations et de réduire les risques.

• Prévision de la demande dans le commerce de détail : Les détaillants utilisent l'AI in Retail pour prédire les besoins en stocks. En analysant les données de séries temporelles des ventes passées, les entreprises peuvent optimiser leurs chaînes d'approvisionnement, réduisant ainsi le surstock et les ruptures de stock. Des outils comme le Facebook Prophet sont souvent employés pour gérer les effets saisonniers marqués observés dans les données de vente au détail.
• Surveillance des constantes vitales en santé : Dans le domaine médical, les systèmes d'AI in Healthcare surveillent en continu les constantes vitales des patients telles que la fréquence cardiaque et la tension artérielle. Les algorithmes de séries temporelles peuvent effectuer une Anomaly Detection pour alerter immédiatement le personnel médical si les mesures d'un patient s'écartent de leur base de référence historique normale, ce qui peut potentiellement sauver des vies.
• Maintenance prédictive : Les usines de fabrication utilisent des capteurs pour collecter des données de vibration ou de température sur les machines au fil du temps. En appliquant l'AI in Manufacturing, les entreprises peuvent prédire les pannes d'équipement avant qu'elles ne se produisent, minimisant ainsi les temps d'arrêt.

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

Bien que l'analyse de séries temporelles soit distincte de la Computer Vision (CV) — qui se concentre sur des données spatiales telles que les images —, les deux domaines se croisent souvent. Un modèle de CV peut traiter des flux vidéo pour générer des données de séries temporelles. Par exemple, un système d'Object Counting fonctionnant sur une caméra de circulation produit un décompte séquentiel de voitures par minute.

L'exemple suivant montre comment utiliser Ultralytics YOLO26 pour suivre des objets dans une vidéo, convertissant efficacement des 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 des jeux de données et entraîner des modèles qui alimentent ces pipelines, tu peux exploiter l'Ultralytics Platform, qui simplifie le flux de travail de l'annotation au déploiement.

Architectures neuronales modernes#

Les méthodes statistiques traditionnelles comme l'ARIMA (AutoRegressive Integrated Moving Average) restent populaires, mais le Deep Learning (DL) moderne a introduit de puissantes alternatives.

• Réseaux de neurones récurrents (RNN) : Spécifiquement conçus pour les données séquentielles, un Recurrent Neural Network (RNN) conserve une « mémoire » des entrées précédentes, ce qui le rend adapté aux dépendances à court terme.
• Mémoire à long terme et court terme (LSTM) : Pour remédier aux limites des RNN standard dans la mémorisation de séquences longues, l'architecture Long Short-Term Memory (LSTM) utilise des portes pour contrôler le flux d'informations, modélisant 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 la prévision de données de séries temporelles complexes, surpassant souvent les anciens modèles récurrents.

Distinction avec les termes associés#

Il est important de différencier l'Analyse de séries temporelles de la Modélisation de séquences et de la Vision par ordinateur.

• Séries temporelles vs modélisation de séquences : Bien que toutes les séries temporelles soient des séquences, toutes les séquences ne sont pas des séries temporelles. Le Natural Language Processing (NLP) traite des séquences de mots où l'ordre importe, mais l'élément « temps » est abstrait. L'analyse de séries temporelles implique spécifiquement que les données sont indexées par le temps.
• Séries temporelles vs Computer Vision : La CV traite de l'interprétation d'entrées visuelles (pixels). Cependant, des techniques comme la Video Understanding comblent le fossé en ajoutant une dimension temporelle à l'analyse visuelle, en utilisant souvent des Transformers pour comprendre comment le contenu visuel change au fil du temps.