Time Series Analysis

L'analyse de séries temporelles est une méthode spécifique permettant d'analyser 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 cohérents sur une période définie, plutôt que d'enregistrer les données 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 modèles sous-jacents. Cette technique est fondamentale pour l'Analyse de données et est largement utilisée pour prévoir des événements futurs en se basant sur les tendances historiques.

Link to this sectionComposants et techniques essentiels#

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

• Analyse de tendance : Cela implique d'identifier la direction à long terme des données. Par exemple, la Régression linéaire est souvent utilisée pour modéliser si les ventes augmentent ou diminuent globalement sur plusieurs années.
• Détection de saisonnalité : De nombreux jeux de données présentent des changements réguliers et prévisibles qui se répètent chaque année civile. Les détaillants utilisent l'analyse de saisonnalité 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 test de Dickey-Fuller aident à déterminer si les données nécessitent une transformation avant la modélisation.
• Estimation du bruit : Les variations aléatoires ou le « bruit blanc » peuvent masquer les véritables modèles. Des filtrages avancés ou des Autoencoders sont utilisés pour séparer les signaux significatifs des fluctuations aléatoires.

Link to this sectionApplications 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'IA dans le commerce de détail 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 surstockage et les ruptures de stock. Des outils comme Facebook Prophet sont souvent employés pour gérer les forts effets saisonniers observés dans les données de détail.
• Surveillance des signes vitaux en santé : Dans le domaine médical, les systèmes d'IA en santé surveillent en continu les signes vitaux des patients tels que la fréquence cardiaque et la tension artérielle. Les algorithmes de séries temporelles peuvent effectuer une Détection d'anomalies pour alerter immédiatement le personnel médical si les mesures d'un patient s'écartent de leur base de référence historique normale, sauvant potentiellement des vies.
• Maintenance prédictive : Les usines de fabrication utilisent des capteurs pour collecter des données de vibration ou de température provenant des machines au fil du temps. En appliquant l'IA dans la fabrication, les entreprises peuvent prédire la défaillance des équipements avant qu'elle ne survienne, minimisant ainsi les temps d'arrêt.

Link to this sectionGénération de séries temporelles à partir de la vision par ordinateur#

Bien que l'analyse de séries temporelles soit distincte de la Vision par ordinateur (CV) — qui se concentre sur les données spatiales comme 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 de Comptage d'objets fonctionnant sur une caméra de trafic produit un décompte séquentiel de voitures par minute.

L'exemple suivant démontre comment utiliser Ultralytics YOLO26 pour suivre des objets dans une vidéo, convertissant 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 tirer parti de la Plateforme Ultralytics, qui simplifie le flux de travail de l'annotation au déploiement.

Link to this sectionArchitectures neuronales modernes#

Les méthodes statistiques traditionnelles comme ARIMA (AutoRegressive Integrated Moving Average) sont toujours populaires, mais l'Apprentissage profond (DL) moderne a introduit de puissantes alternatives.

• Réseaux de neurones récurrents (RNN) : Spécifiquement conçus pour les données séquentielles, un Réseau de neurones récurrent (RNN) conserve une « mémoire » des entrées précédentes, ce qui le rend adapté aux dépendances à court terme.
• Mémoire à long terme (LSTM) : Pour remédier aux limites des RNN standards dans la mémorisation de longues séquences, 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 pour la prévision de données de séries temporelles complexes, surpassant souvent les anciens modèles récurrents.

Link to this sectionDistinction 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 Traitement du langage naturel (NLP) traite des séquences de mots où l'ordre compte, mais où l'élément « temps » est abstrait. L'analyse de séries temporelles implique spécifiquement que les données soient indexées par le temps.
• Séries temporelles vs Vision par ordinateur : La CV traite de l'interprétation des entrées visuelles (pixels). Cependant, des techniques comme la Compréhension vidéo comblent le fossé en ajoutant une dimension temporelle à l'analyse visuelle, utilisant souvent des Transformers pour comprendre comment le contenu visuel change au fil du temps.