時系列分析

時系列分析とは、一定期間にわたって収集されたデータポイントの列を分析する特定の方法である。 このプロセスでは、分析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、時系列データには時間的次元が加わります。つまり、データの順序が根本的なパターンを理解する上で極めて重要です。この技術はデータ分析の基礎であり、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活用されています。

中核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、実務者は信号を構成する個別の要素を特定しなければならない。

• 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、 売上高が数年にわたって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。
• 季節性の検出：多くのデータセットには、毎年定期的に繰り返される予測可能な変化が見られます。小売業者は季節性分析を活用し、休暇シーズンの需要急増や天候に左右される購買習慣に備えます。
• 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とともに変化しない場合に定常的であると言われる。ディッキー・フラー検定などの手法は、モデリング前にデータを変換する必要があるかどうかを判断するのに役立つ。
• ノイズ推定：ランダムな変動や「白色雑音」は真のパターンを覆い隠す可能性がある。高度なフィルタリングやオートエンコーダを用いて、意味のある信号をランダムな変動から分離する。

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。
• 医療バイタルサイン監視：医療分野において、 医療システムにおけるAIは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、 医療スタッフに即時警告を発することで、 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）とは異なる分野であるが、両者はしばしば交差する。CVモデルは動画ストリームを処理して時系列データを生成できる。例えば、交通カメラ上で動作する物体計数システムは、1分あたりの自動車の連続的なカウントを生成する。

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投入されるデータセットの管理やモデルのトレーニングには、 Ultralytics を活用できます。これにより、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が簡素化されます。

現代のニューラルアーキテクチャ

ARIMA（自己回帰和分移動平均）のような伝統的な統計手法は依然として広く用いられているが、現代の深層学習（DL）は強力な代替手法をもたらした。

• 再帰型ニューラルネットワーク（RNN）： 特に時系列データ向けに設計された 再帰型ニューラルネットワーク（RNN）は 過去の入力に対する「記憶」を維持するため、 短期依存関係に適している。
• ロングショートタームメモリ（LSTM）：標準的な再帰型ニューラルネットワーク（RNN）が長いシーケンスを記憶する際に抱える制限に対処するため、 ロングショートタームメモリ（LSTM）アーキテクチャはゲートを用いて情報の流れを制御し、長期的な時間的依存関係を効果的にモデル化する。
• Transformers:もともとテキスト用に構築された Transformerアーキテクチャとその注意機構は 現在、複雑な時系列データの予測において最先端技術であり、多くの場合、従来の再帰モデルを上回る性能を発揮する。

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。