Time Series Analysis

L'analisi delle serie storiche è un metodo specifico per analizzare una sequenza di punti dati raccolti in un intervallo di tempo. In questo processo, gli analisti registrano i punti dati a intervalli costanti per un periodo prestabilito, invece di registrarli in modo intermittente o casuale. A differenza dei dataset statici utilizzati per la standard Classificazione delle immagini, i dati delle serie storiche aggiungono una dimensione temporale: ciò significa che l'ordine dei dati è cruciale per comprendere i pattern sottostanti. Questa tecnica è fondamentale per l'Analisi dei dati ed è ampiamente utilizzata per prevedere eventi futuri basandosi sui trend storici.

Link to this sectionComponenti e tecniche fondamentali#

Per analizzare efficacemente i dati basati sul tempo, devi identificare le componenti distinte che costituiscono il segnale.

• Analisi dei trend: comporta l'identificazione della direzione a lungo termine dei dati. Ad esempio, la Regressione lineare viene spesso utilizzata per modellare se le vendite sono generalmente in aumento o in diminuzione nel corso di diversi anni.
• Rilevamento della stagionalità: molti dataset mostrano cambiamenti regolari e prevedibili che si ripetono ogni anno solare. I rivenditori utilizzano l'analisi della stagionalità per prepararsi ai picchi festivi o alle abitudini di acquisto legate al meteo.
• Stazionarietà: una serie storica si dice stazionaria se le sue proprietà statistiche, come media e varianza, non cambiano nel tempo. Tecniche come il test di Dickey-Fuller aiutano a determinare se i dati necessitano di trasformazione prima della modellazione.
• Stima del rumore: le variazioni casuali o "rumore bianco" possono oscurare i pattern reali. Filtri avanzati o Autoencoder vengono utilizzati per separare i segnali significativi dalle fluttuazioni casuali.

Link to this sectionApplicazioni IA/ML nel mondo reale#

L'analisi delle serie storiche è fondamentale per i settori che richiedono previsioni accurate per ottimizzare le operazioni e ridurre il rischio.

• Previsione della domanda nel retail: i rivenditori utilizzano l'AI nel Retail per prevedere i requisiti di inventario. Analizzando i dati delle serie storiche delle vendite passate, le aziende possono ottimizzare le catene di approvvigionamento, riducendo sia le eccedenze che le rotture di stock. Strumenti come Facebook Prophet vengono spesso impiegati per gestire i forti effetti stagionali osservati nei dati di vendita.
• Monitoraggio dei parametri vitali in ambito sanitario: nel campo medico, i sistemi di AI nella sanità monitorano continuamente i parametri vitali del paziente come frequenza cardiaca e pressione sanguigna. Gli algoritmi di serie storiche possono eseguire il Rilevamento di anomalie per avvisare immediatamente il personale medico se i parametri di un paziente deviano dalla loro linea di base storica, salvando potenzialmente delle vite.
• Manutenzione predittiva: gli impianti di produzione utilizzano sensori per raccogliere dati su vibrazioni o temperatura dei macchinari nel tempo. Applicando l'AI nella produzione, le aziende possono prevedere i guasti alle apparecchiature prima che si verifichino, riducendo al minimo i tempi di inattività.

Link to this sectionGenerare serie storiche dalla Computer Vision#

Sebbene l'analisi delle serie storiche sia distinta dalla Computer Vision (CV)—che si concentra sui dati spaziali come le immagini—i due campi spesso si intersecano. Un modello di CV può elaborare flussi video per generare dati di serie storiche. Ad esempio, un sistema di Conteggio oggetti in esecuzione su una telecamera di traffico produce un conteggio sequenziale di auto al minuto.

Il seguente esempio dimostra come utilizzare Ultralytics YOLO26 per tracciare oggetti in un video, convertendo efficacemente i dati visivi in una serie storica di conteggi di oggetti.

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")

Per gestire i dataset e addestrare i modelli che alimentano queste pipeline, puoi sfruttare la Piattaforma Ultralytics, che semplifica il flusso di lavoro dall'annotazione alla distribuzione.

Link to this sectionArchitetture neurali moderne#

I metodi statistici tradizionali come l'ARIMA (AutoRegressive Integrated Moving Average) sono ancora popolari, ma il moderno Deep Learning (DL) ha introdotto potenti alternative.

• Reti neurali ricorrenti (RNN): progettate specificamente per dati sequenziali, una Rete neurale ricorrente (RNN) mantiene una "memoria" degli input precedenti, rendendola adatta per dipendenze a breve termine.
• Memoria a lungo termine (LSTM): per affrontare i limiti delle RNN standard nel ricordare sequenze lunghe, l'architettura Long Short-Term Memory (LSTM) utilizza porte per controllare il flusso di informazioni, modellando efficacemente le dipendenze temporali a lungo termine.
• Transformer: originariamente creati per il testo, l'architettura Transformer e i suoi meccanismi di attenzione sono ora all'avanguardia per la previsione di serie storiche complesse, superando spesso i vecchi modelli ricorrenti.

Link to this sectionDistinzione da termini correlati#

È importante differenziare l'Analisi delle serie storiche dalla Modellazione di sequenze e dalla Computer Vision.

• Serie storiche vs. Modellazione di sequenze: sebbene tutte le serie storiche siano sequenze, non tutte le sequenze sono serie storiche. L'Elaborazione del linguaggio naturale (NLP) si occupa di sequenze di parole in cui l'ordine è importante, ma l'elemento "tempo" è astratto. L'analisi delle serie storiche implica specificamente che i dati siano indicizzati per tempo.
• Serie storiche vs. Computer Vision: la CV si occupa di interpretare gli input visivi (pixel). Tuttavia, tecniche come la Comprensione video colmano il divario aggiungendo una dimensione temporale all'analisi visiva, spesso utilizzando i Transformer per comprendere come il contenuto visivo cambia nel tempo.