時系列分析

時系列分析は、一定期間にわたって収集されたデータポイントのシーケンスを分析する特定の手法です。このプロセスでは、アナリストはデータポイントを断続的またはランダムに記録するのではなく、設定された期間にわたって一定の間隔で記録します。標準的な画像分類に使用される静的データセットとは異なり、時系列データは時間的次元を追加します。つまり、データの順序は根底にあるパターンを理解するために非常に重要です。この手法はデータ分析の基本であり、過去の傾向に基づいて将来の出来事を予測するために広く使用されています。

主要なコンポーネントと技術

時間ベースのデータを効果的に分析するには、実務家は信号を構成する明確なコンポーネントを特定する必要があります。

• トレンド分析: これは、データの長期的な方向性を特定することを含みます。例えば、線形回帰は、数年間にわたって売上が一般的に増加しているか減少しているかをモデル化するためによく使用されます。
• 季節性検出: 多くのデータセットは、毎年繰り返される定期的で予測可能な変化を示します。小売業者は、季節性分析を利用して、ホリデーシーズンの急増や天候に関連する購買習慣に備えます。
• 定常性: 時系列は、平均や分散などの統計的特性が時間とともに変化しない場合、定常であると言われます。ディッキー・フラー検定のような手法は、モデリング前にデータ変換が必要かどうかを判断するのに役立ちます。
• ノイズ推定：ランダムな変動や「ホワイトノイズ」は、真のパターンを不明瞭にする可能性があります。高度なフィルタリングやオートエンコーダが、ランダムな変動から意味のある信号を分離するために使用されます。

現実世界のAI/MLアプリケーション

時系列分析は、オペレーションを最適化し、リスクを軽減するために正確な予測を必要とする産業にとって重要である。 リスクを軽減するために正確な予測を必要とする産業にとって、時系列分析は非常に重要です。

• 小売業における需要予測： 小売業者はAIを活用し、在庫要件を予測します。過去の販売時系列データを分析することで、企業はサプライチェーンを最適化し、過剰在庫と品切れの両方を削減できます。Facebook Prophetのようなツールは、小売データに見られる強い季節性を処理するためによく採用されます。
• 医療バイタルモニタリング: 医療分野では、ヘルスケアAIシステムが心拍数や血圧などの患者のバイタルを継続的に監視します。時系列アルゴリズムはAnomaly Detectionを実行して、患者の指標が通常の履歴ベースラインから逸脱した場合に医療スタッフに即座に警告し、命を救う可能性を秘めています。
• 予知保全：製造工場ではセンサーを用いて機械の振動や温度データを継続的に収集します。製造分野におけるAIの応用により、企業は設備故障を事前に予測し、ダウンタイムを最小限に抑えることが可能となります。

コンピュータ・ビジョンから時系列を生成する

時系列分析は、画像のような空間データに焦点を当てる コンピュータービジョン（CV）とは異なりますが、これら2つの分野はしばしば交差します。CVモデルはビデオストリームを処理して時系列データを生成できます。 例えば、交通カメラで動作するオブジェクトカウントシステムは、1分あたりの車両の連続カウントを生成します。

以下の例は、Ultralytics を使用して動画内のtrack 、視覚データをオブジェクト数の時系列データに効果的に変換する方法を示しています。

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")

これらのパイプラインに供給されるデータセットの管理とモデルのトレーニングのために、ユーザーはUltralytics Platformを活用できます。これはアノテーションからデプロイまでのワークフローを簡素化します。

最新のニューラルアーキテクチャ

ARIMA（自己回帰移動平均）のような従来の統計的手法は依然として人気がありますが、現代のディープラーニング（DL）は強力な代替手段を導入しました。

• 再帰型ニューラルネットワーク（RNN）:時系列データのために特別に設計された再帰型ニューラルネットワーク（RNN）は、以前の入力の「記憶」を保持し、短期的な依存関係に適しています。
• 長・短期記憶 (LSTM): 標準的なRNNが長いシーケンスを記憶する上での限界に対処するため、長・短期記憶 (LSTM)アーキテクチャはゲートを使用して情報フローを制御し、長期的な時間的依存関係を効果的にモデリングします。
• Transformer: 元々はテキスト用に構築されたTransformerアーキテクチャとその注意メカニズムは、現在では複雑な時系列データの予測において最先端であり、従来のリカレントモデルをしばしば上回ります。

関連用語との区別

時系列分析を シーケンスモデリングやコンピュータビジョンと区別することは重要である。 コンピュータビジョン

• 時系列とシーケンスモデリング：すべての時系列はシーケンスであるが、すべてのシーケンスが時系列であるとは限らない。 自然言語処理（NLP）は、順序が重要であるものの「時間」要素が抽象的な単語のシーケンスを扱う。時系列分析は、データが時間軸でインデックス付けされていることを特に意味する。
• 時系列 vs. コンピュータビジョン：CVは視覚入力（ピクセル）の解釈を扱う。しかし、 ビデオ理解のような技術は、視覚分析に時間的次元を加えることで そのギャップを埋める。多くの場合、トランスフォーマーを用いて 視覚コンテンツが時間とともにどのように変化するかを理解する。