Time Series Analysis
예측 및 이상 탐지를 위한 시계열 분석을 살펴봅니다. 고급 AI 인사이트를 위해 Ultralytics YOLO26을 사용하여 시간 데이터를 생성하는 방법을 알아봅니다.
시계열 분석은 일정한 시간 간격 동안 수집된 데이터 포인트의 시퀀스를 분석하는 특정 방법입니다. 이 과정에서 분석가는 데이터 포인트를 간헐적이거나 무작위로 기록하는 대신, 정해진 기간 동안 일정한 간격으로 기록합니다. 표준 이미지 분류에 사용되는 정적 데이터셋과 달리, 시계열 데이터에는 시간적 차원이 추가되므로 기본 패턴을 이해하려면 데이터의 순서가 중요합니다. 이 기법은 데이터 분석의 핵심이며, 과거 추세를 기반으로 미래의 사건을 예측하는 데 널리 사용됩니다.
핵심 구성 요소 및 기법#
시간 기반 데이터를 효과적으로 분석하려면 분석가는 신호를 구성하는 서로 다른 요소를 식별해야 합니다.
- 추세 분석: 데이터의 장기적인 방향을 식별하는 과정입니다. 예를 들어 선형 회귀는 수년에 걸쳐 판매량이 전반적으로 증가하는지 감소하는지를 모델링하는 데 자주 사용됩니다.
- 계절성 탐지: 많은 데이터셋에는 매년 반복되는 규칙적이고 예측 가능한 변화가 나타납니다. 소매업체는 계절성 분석을 사용하여 휴일 기간의 수요 급증이나 날씨와 관련된 구매 습관에 대비합니다.
- 정상성: 평균과 분산 같은 통계적 특성이 시간에 따라 변하지 않는 시계열을 정상적이라고 합니다. Dickey-Fuller 검정과 같은 기법은 모델링 전에 데이터를 변환해야 하는지 판단하는 데 도움이 됩니다.
- 노이즈 추정: 무작위 변동 또는 "백색 잡음"은 실제 패턴을 가릴 수 있습니다. 의미 있는 신호와 무작위 변동을 분리하기 위해 고급 필터링이나 오토인코더를 사용합니다.
실제 AI/ML 애플리케이션#
시계열 분석은 운영을 최적화하고 위험을 줄이기 위해 정확한 예측이 필요한 산업에서 매우 중요합니다.
- 소매업 수요 예측: 소매업체는 재고 수요를 예측하기 위해 소매업의 AI를 활용합니다. 과거 판매량의 시계열 데이터를 분석하면 기업은 공급망을 최적화하여 과잉 재고와 재고 부족을 모두 줄일 수 있습니다. Facebook Prophet과 같은 도구는 소매 데이터에 나타나는 강한 계절적 효과를 처리하는 데 자주 사용됩니다.
- 의료 생체 신호 모니터링: 의료 분야에서는 헬스케어의 AI 시스템이 심박수와 혈압 같은 환자의 생체 신호를 지속적으로 모니터링합니다. 시계열 알고리즘은 이상 탐지를 수행하여 환자 지표가 과거의 정상 기준에서 벗어날 경우 의료진에게 즉시 알림을 보낼 수 있으며, 이를 통해 생명을 구할 가능성도 있습니다.
- 예측 유지보수: 제조 공장은 센서를 사용하여 시간에 따른 기계의 진동 또는 온도 데이터를 수집합니다. 기업은 제조업의 AI를 적용하여 장비 고장이 발생하기 전에 예측하고 가동 중지 시간을 최소화할 수 있습니다.
컴퓨터 비전에서 시계열 생성하기#
시계열 분석은 이미지와 같은 공간 데이터를 다루는 컴퓨터 비전 (CV)과는 별개의 분야이지만, 두 분야는 종종 서로 연계됩니다. CV 모델은 비디오 스트림을 처리하여 시계열 데이터를 생성할 수 있습니다. 예를 들어 교통 카메라에서 실행되는 객체 수 세기 시스템은 분당 자동차 수를 순차적으로 생성합니다.
다음 예제에서는 Ultralytics YOLO26을 사용하여 비디오에서 객체를 추적하고, 시각 데이터를 객체 수의 시계열로 효과적으로 변환하는 방법을 보여줍니다.
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")이러한 파이프라인에 사용되는 데이터셋과 학습 모델을 관리하기 위해 사용자는 Ultralytics Platform을 활용할 수 있으며, 이 플랫폼은 어노테이션부터 배포까지의 워크플로를 간소화합니다.
최신 신경망 아키텍처#
ARIMA (자기회귀 누적 이동 평균)과 같은 전통적인 통계 방법은 여전히 널리 사용되지만, 최신 딥러닝 (DL)은 강력한 대안을 제시했습니다.
- 순환 신경망 (RNNs): 시퀀스 데이터에 특화되어 설계된 순환 신경망 (RNN)은 이전 입력에 대한 "기억"을 유지하므로 단기 의존성을 처리하는 데 적합합니다.
- 장단기 메모리 (LSTM): 긴 시퀀스를 기억하는 표준 RNNs의 한계를 해결하기 위해 장단기 메모리 (LSTM) 아키텍처는 게이트를 사용하여 정보 흐름을 제어하고, 장기적인 시간 의존성을 효과적으로 모델링합니다.
- Transformer: 원래 텍스트를 위해 구축된 Transformer 아키텍처와 어텐션 메커니즘은 이제 복잡한 시계열 데이터를 예측하는 최첨단 방법으로 사용되며, 기존 순환 모델보다 우수한 성능을 보이는 경우가 많습니다.
관련 용어와의 구분#
시계열 분석을 시퀀스 모델링 및 컴퓨터 비전과 구분하는 것이 중요합니다.
- 시계열과 시퀀스 모델링 비교: 모든 시계열은 시퀀스이지만 모든 시퀀스가 시계열인 것은 아닙니다. 자연어 처리 (NLP)는 순서가 중요한 단어 시퀀스를 다루지만, "시간" 요소는 추상적입니다. 시계열 분석은 데이터가 시간으로 인덱싱된다는 것을 구체적으로 의미합니다.
- 시계열과 컴퓨터 비전 비교: CV는 시각적 입력(픽셀)을 해석합니다. 그러나 비디오 이해와 같은 기법은 시각적 분석에 시간적 차원을 추가하여 두 분야 사이의 간극을 해소하며, Transformer를 사용하여 시각적 콘텐츠가 시간에 따라 어떻게 변화하는지 이해하는 경우가 많습니다.
