Time Series Analysis

L'analisi delle serie temporali è un metodo specifico per analizzare una sequenza di punti dati raccolti nell'arco di un intervallo di tempo. In questo processo, gli analisti registrano i punti dati a intervalli regolari per un determinato periodo, invece di registrarli solo in modo intermittente o casuale. A differenza dei dataset statici utilizzati per la standard Classificazione delle immagini, i dati delle serie temporali aggiungono una dimensione temporale, il che significa che l'ordine dei dati è fondamentale per comprendere i pattern sottostanti. Questa tecnica è alla base dell'Analisi dei dati ed è ampiamente utilizzata per prevedere eventi futuri sulla base delle tendenze storiche.

Componenti e tecniche fondamentali#

Per analizzare efficacemente i dati basati sul tempo, è necessario identificare i diversi componenti che costituiscono il segnale.

• Analisi delle tendenze: consiste nell'identificare la direzione a lungo termine dei dati. Ad esempio, la Regressione lineare viene spesso utilizzata per modellare se le vendite stanno generalmente aumentando o diminuendo nell'arco di diversi anni.
• Rilevamento della stagionalità: molti dataset mostrano variazioni regolari e prevedibili che si ripetono ogni anno solare. I rivenditori utilizzano l'analisi della stagionalità per prepararsi ai picchi delle festività o alle abitudini di acquisto legate alle condizioni meteorologiche.
• Stazionarietà: una serie temporale è considerata 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 richiedono una trasformazione prima della modellazione.
• Stima del rumore: le variazioni casuali o il "rumore bianco" possono oscurare i pattern reali. Il filtraggio avanzato o gli Autoencoder vengono utilizzati per separare i segnali significativi dalle fluttuazioni casuali.

Applicazioni reali dell'AI/ML#

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

• Previsione della domanda nel commercio al dettaglio: i rivenditori utilizzano l'AI nel commercio al dettaglio per prevedere il fabbisogno di scorte. Analizzando i dati delle serie temporali relativi alle vendite passate, le aziende possono ottimizzare le catene di approvvigionamento, riducendo sia le eccedenze di scorte sia le rotture di stock. Strumenti come Facebook Prophet vengono spesso impiegati per gestire i marcati effetti stagionali osservati nei dati del commercio al dettaglio.
• Monitoraggio dei parametri vitali in ambito sanitario: in campo medico, i sistemi di AI nel settore sanitario monitorano continuamente i parametri vitali dei pazienti, come frequenza cardiaca e pressione sanguigna. Gli algoritmi delle serie temporali possono eseguire il Rilevamento delle anomalie per avvisare immediatamente il personale medico se i parametri di un paziente si discostano dal normale riferimento storico, salvando potenzialmente delle vite.
• Manutenzione predittiva: gli stabilimenti produttivi utilizzano sensori per raccogliere nel tempo dati sulle vibrazioni o sulla temperatura dei macchinari. Applicando l'AI nella produzione industriale, le aziende possono prevedere i guasti delle apparecchiature prima che si verifichino, riducendo al minimo i tempi di inattività.

Generazione di serie temporali dalla visione artificiale#

Sebbene l'analisi delle serie temporali sia distinta dalla Visione artificiale (CV), che si concentra su dati spaziali come le immagini, i due ambiti spesso si intersecano. Un modello di CV può elaborare flussi video per generare dati di serie temporali. Ad esempio, un sistema di Conteggio degli oggetti installato su una telecamera del traffico produce un conteggio sequenziale delle auto al minuto.

L'esempio seguente mostra come utilizzare Ultralytics YOLO26 per tracciare gli oggetti in un video, convertendo di fatto i dati visivi in una serie temporale di conteggi degli 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 utilizzare la Ultralytics Platform, che semplifica il flusso di lavoro dall'annotazione alla distribuzione.

Architetture neurali moderne#

I metodi statistici tradizionali come ARIMA (Media mobile integrata autoregressiva) sono ancora diffusi, ma il moderno Apprendimento profondo (DL) ha introdotto alternative potenti.

• Reti neurali ricorrenti (RNNs): progettata specificamente per i dati sequenziali, una Rete neurale ricorrente (RNN) mantiene una "memoria" degli input precedenti, risultando adatta alle dipendenze a breve termine.
• Memoria a lungo-breve termine (LSTM): per affrontare i limiti delle RNN standard nel ricordare sequenze lunghe, l'architettura Memoria a lungo-breve termine (LSTM) utilizza dei gate per controllare il flusso delle informazioni, modellando efficacemente le dipendenze temporali a lungo termine.
• Transformer: originariamente sviluppata per il testo, l'architettura Transformer e i suoi meccanismi di attenzione sono oggi all'avanguardia nella previsione di dati complessi di serie temporali, superando spesso i modelli ricorrenti più datati.

Distinzione dai termini correlati#

È importante distinguere l'Analisi delle serie temporali dalla Modellazione delle sequenze e dalla Visione artificiale.

• Serie temporali e modellazione delle sequenze: sebbene tutte le serie temporali siano sequenze, non tutte le sequenze sono serie temporali. 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 temporali implica specificamente che i dati siano indicizzati in base al tempo.
• Serie temporali e visione artificiale: la CV si occupa dell'interpretazione di input visivi (pixel). Tuttavia, tecniche come la Comprensione dei video colmano il divario aggiungendo una dimensione temporale all'analisi visiva, spesso utilizzando i Transformer per comprendere come il contenuto visivo cambia nel tempo.