Time Series Analysis

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、分析者はデータを断続的またはランダムに記録するのではなく、設定された期間全体を通じて一貫した間隔でデータポイントを記録します。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、時系列データは時間軸を追加するため、データがどのように変化したかという順序が根底にあるパターンを理解するために極めて重要になります。この技術はデータ分析の基礎であり、過去のトレンドに基づいて将来のイベントを予測するために広く利用されています。

Link to this section中核となる要素と技術#

時間ベースのデータを効果的に分析するためには、実務者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: これにはデータの長期的な方向性を特定することが含まれます。例えば、線形回帰は、数年間にわたって売上が全体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かつ予測可能な変化を示します。小売業者は、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るために季節性分析を使用します。
• 定常性: 時系列データは、平均や分散などの統計的特性が時間経過によって変化しない場合、定常であると言われます。モデリングの前にデータに変換が必要かどうかを判断するには、ディッキー・フラー検定などの手法が役立ちます。
• ノイズ推定: ランダムな変動や「ホワイトノイズ」は、真のパターンを隠してしまう可能性があります。高度なフィルタリングやオートエンコーダーは、意味のある信号をランダムな変動から分離するために使用されます。

Link to this sectionAI/MLの現実世界での応用#

時系列分析は、業務の最適化とリスク低減のために正確な予測を必要とする業界にとって不可欠です。

• 小売における需要予測: 小売業者は小売におけるAIを活用して在庫要件を予測しています。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のようなツールは、小売データに見られる強い季節的影響に対処するためによく採用されます。
• ヘルスケアにおけるバイタルモニタリング: 医療分野では、ヘルスケアにおけるAIシステムが心拍数や血圧などの患者のバイタルを継続的に監視しています。時系列アルゴリズムは異常検知を実行し、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を発し、人命を救う可能性があります。
• 予知保全: 製造プラントでは、センサーを使用して機械から時間経過とともに振動や温度データを収集しています。製造におけるAIを適用することで、企業は機器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ることができます。

Link to this sectionコンピュータビジョンから時系列データを生成する#

時系列分析は、画像のような空間データを扱うコンピュータビジョン (CV)とは異なりますが、両分野は頻繁に交差します。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、交通監視カメラで動作する物体カウントシステムは、1分あたりの車両数のシーケンシャルなカウントを出力します。

以下の例では、Ultralytics YOLO26を使用してビデオ内のオブジェクトを追跡し、視覚データを物体カウントの時系列へと効果的に変換する方法を実演します。

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供給されるデータセットの管理やモデルのトレーニングを行うために、ユーザーはUltralytics Platformを活用することで、アノテーションからデプロイメントまでのワークフローを簡素化できます。

Link to this section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)のような従来の統計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もたらしました。

• リカレントニューラルネットワーク (RNN): シーケンシャルデータ向けに特別に設計されたリカレントニューラルネットワーク (RNN)は、以前の入力の「記憶」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標準的なRNN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: 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アテンションメカニズムは、現在、複雑な時系列データの予測において最先端であり、古いリカレントモデルよりも優れたパフォーマンスを発揮することがよくあります。

Link to this section関連用語との違い#

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す。

• 時系列 vs. 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であるわけではありません。自然言語処理 (NLP)は順序が重要な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具体的に示唆します。
• 時系列 vs. コンピュータビジョン: CVは視覚的な入力 (ピクセル) の解釈を扱います。しかし、動画理解のような技術は、視覚分析に時間軸を追加することでこのギャップを埋めており、多くの場合、Transformerを使用し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しています。