Time Series Analysis
予測と異常検知のための時系列分析を探ります。Ultralytics YOLO26を使用して高度なAIインサイトを得るために、時系列データを生成する方法を学びましょう。
時系列分析は、一定の期間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、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り一貫した間隔で記録します。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次元が追加されるため、データの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です。このテクニックはデータアナリティクスの基本であり、過去のトレンド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。
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: これは、データの長期的な方向性を特定することを含みます。たとえば、線形回帰は、売上が数年間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リング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には、毎年繰り返される定期的で予測可能な変化が現れます。小売業者は、休日のスパイク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: 時系列は、平均や分散などの統計的特性が時間に依存して変化しない場合、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、モデリングの前にデータに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、真のパターンを分かりにくくすることがあります。意味のあるシグナルをランダムな変動から分離するために、高度なフィルタリングまたはオートエンコーダーが使用されます。
AI/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: 小売業者は在庫要件を予測するために小売におけるAIを活用しています。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: 医療分野において、医療におけるAIシステム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モニタリングします。時系列アルゴリズムは異常検知を実行し、患者のメトリクスが通常の過去のベースラインから逸脱した場合に医療スタッフに直ちに警告して、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に伴う振動や温度のデータを収集します。製造業におけるAIを適用することにより、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。
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、画像などの空間データに焦点を当てたコンピュータビジョン (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。たとえば、交通カメラで実行されているオブジェクトカウントシステムは、1分あたりの車の連続したカウントを生成します。
次の例は、Ultralytics YOLO26を使用してビデオ内のオブジェクトを追跡し、視覚データをオブジェクトカウントの時系列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するデータセットの管理やモデルのトレーニングのために、ユーザー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するUltralytics プラットフォームを活用できます。
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モデル)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導入しました。
- 再帰型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再帰型ニューラルネットワーク (RNN)は、以前の入力の「メモリ」を維持し、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、長期的な時間的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、複雑な時系列データを予測するための最先端技術であり、多くの場合、古いリカレントモデルよりも優れた性能を発揮します。
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。
- 時系列対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とは限りません。自然言語処理 (NLP)は、順序が重要であ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。
- 時系列対コンピュータビジョン: CVは視覚的入力（ピクセル）の解釈を扱います。ただし、動画理解などの手法は、視覚的分析に時間的次元を追加することによってギャップを埋め、多くの場合Transformerを使用して視覚的コンテンツが時間の経過とともにどのように変化するかを理解します。
