Time Series Analysis

時系列分析は、一定の時間間隔にわたって収集された一連のデータポイントを分析するための特定の手法です。このプロセスでは、分析担当者は、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、設定した期間にわたって一定の間隔で記録します。標準的な画像分類で使用される静的なデータセットとは異なり、時系列データには時間的な次元が加わります。つまり、基礎となるパターンを理解するには、データの順序が非常に重要です。この手法はデータ分析の基盤であり、過去の傾向に基づいて将来の事象を予測するために広く使用されています。

主要な構成要素と手法#

時間に基づくデータを効果的に分析するには、信号を構成する個別の要素を特定する必要があります。

• トレンド分析: データの長期的な方向性を特定します。たとえば、線形回帰は、数年間にわたって売上が全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。
• 季節性の検出: 多くのデータセットでは、毎年の暦周期で繰り返される、規則的で予測可能な変化が見られます。小売業者は、季節性分析を使用して、休暇期間中の需要急増や天候に関連する購買傾向に備えます。
• 定常性: 時系列は、平均や分散などの統計的特性が時間の経過に伴って変化しない場合に定常的であるといいます。Dickey-Fuller検定などの手法は、モデル化する前にデータの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」によって、本当のパターンが見えにくくなることがあります。意味のある信号とランダムな変動を分離するために、高度なフィルタリングやオートエンコーダが使用されます。

実世界におけるAI/MLの応用#

時系列分析は、業務の最適化とリスクの低減に向けて正確な予測が必要な業界にとって重要です。

• 小売業における需要予測: 小売業者は小売業におけるAIを活用して、在庫需要を予測します。過去の売上の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、過剰在庫と在庫切れの両方を削減できます。Facebook Prophetなどのツールは、小売データに見られる強い季節性の影響に対応するためによく使用されます。
• 医療におけるバイタルサインのモニタリング: 医療分野では、医療におけるAIシステムが心拍数や血圧などの患者のバイタルサインを継続的に監視します。時系列アルゴリズムは異常検知を実行し、患者の測定値が過去の正常な基準値から逸脱した場合に医療スタッフへ即座に警告できるため、命を救える可能性があります。
• 予知保全: 製造工場では、センサーを使用して機械の振動や温度のデータを時間の経過に伴って収集します。製造業におけるAIを適用することで、企業は設備の故障が発生する前に予測し、ダウンタイムを最小限に抑えられます。

コンピュータビジョンからの時系列データの生成#

時系列分析は、画像などの空間データに焦点を当てるコンピュータビジョン（CV）とは異なりますが、両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。たとえば、交通カメラで動作する物体カウントシステムは、1分あたりの車両数を順番に出力します。

次の例では、Ultralytics YOLO26を使用してビデオ内の物体を追跡し、視覚データを物体数の時系列データに効果的に変換する方法を示します。

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投入するデータセットの管理とモデルのトレーニングには、Ultralytics Platformを利用できます。アノテーションからデプロイまでのワークフローが簡素化されます。

最新のニューラルアーキテクチャ#

ARIMA（自己回帰和分移動平均）などの従来の統計手法は今でも広く利用されていますが、最新のディープラーニング（DL）によって、強力な代替手法が登場しています。

• 再帰型ニューラルネットワーク（RNNs）: シーケンシャルデータ向け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、過去の入力の「メモリ」を保持するため、短期的な依存関係に適しています。
• 長短期記憶（LSTM）: 長いシーケンスを記憶する際の標準的なRNNの制限に対処するため、長短期記憶（LSTM）アーキテクチャはゲートを使用して情報の流れを制御し、長期的な時間依存関係を効果的にモデル化します。
• Transformer: もともとテキスト向けに構築されたTransformerアーキテクチャとそのアテンション機構は、現在では複雑な時系列データの予測における最先端の手法となっており、古い再帰型モデルを上回ることも少なくありません。

関連用語との違い#

時系列分析とシーケンスモデリング、コンピュータビジョンを区別することが重要です。

• 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すが、すべてのシーケンスが時系列というわけではありません。自然言語処理（NLP）は、順序が重要となる単語のシーケンスを扱いますが、「時間」の要素は抽象的です。時系列分析では、データが時間によってインデックス付けされていることを明確に意味します。
• 時系列とコンピュータビジョン: CVは視覚入力（ピクセル）の解釈を扱います。ただし、ビデオ理解などの手法は、視覚分析に時間的な次元を加えることで両者の隔たりを埋めます。多くの場合、Transformersを使用して視覚コンテンツが時間の経過に伴ってどのように変化するかを理解します。