Time Series Analysis
예측 및 이상 탐지를 위한 시계열 분석을 살펴보세요. 고급 AI 통찰력을 위해 Ultralytics YOLO26을 사용하여 시계열 데이터를 생성하는 방법을 배우세요.
시계열 분석은 일정 시간 간격으로 수집된 데이터 포인트 시퀀스를 분석하는 특정한 방법입니다. 이 과정에서 분석가들은 데이터를 간헐적이거나 무작위로 기록하는 대신, 설정된 기간 동안 일정한 간격으로 데이터 포인트를 기록합니다. 표준 이미지 분류에 사용되는 정적 데이터셋과 달리, 시계열 데이터는 시간적 차원을 추가하므로 근본적인 패턴을 이해하는 데 데이터의 순서가 매우 중요합니다. 이 기법은 데이터 분석의 기초가 되며, 과거 트렌드를 바탕으로 미래의 이벤트를 예측하는 데 널리 사용됩니다.
핵심 구성 요소 및 기술#
시간 기반 데이터를 효과적으로 분석하려면 실무자는 신호를 구성하는 고유한 요소를 식별해야 합니다.
- 추세 분석: 이는 데이터의 장기적인 방향성을 파악하는 것을 포함합니다. 예를 들어, 선형 회귀는 수년에 걸쳐 매출이 전반적으로 증가하고 있는지 또는 감소하고 있는지 모델링하는 데 자주 사용됩니다.
- 계절성 탐지: 많은 데이터셋은 매년 반복되는 규칙적이고 예측 가능한 변화를 나타냅니다. 소매업체들은 연휴 기간의 급증이나 날씨와 관련된 구매 습관에 대비하기 위해 계절성 분석을 활용합니다.
- 정상성: 시계열의 평균 및 분산과 같은 통계적 속성이 시간에 따라 변하지 않는 경우, 이를 정상성을 갖춘다고 합니다. 디키-풀러 검정과 같은 기법은 모델링 전에 데이터 변환이 필요한지 여부를 판단하는 데 도움이 됩니다.
- 노이즈 추정: 무작위 변동이나 "백색 노이즈"는 실제 패턴을 모호하게 만들 수 있습니다. 무작위 변동에서 의미 있는 신호를 분리하기 위해 고급 필터링이나 오토인코더가 사용됩니다.
실제 AI/ML 애플리케이션#
시계열 분석은 운영을 최적화하고 위험을 줄이기 위해 정확한 예측이 필요한 산업에 매우 중요합니다.
- 소매업 수요 예측: 소매업체들은 재고 요구 사항을 예측하기 위해 소매업에서의 AI를 활용합니다. 과거 매출의 시계열 데이터를 분석함으로써 기업은 공급망을 최적화하고 과잉 재고와 품절을 모두 줄일 수 있습니다. 소매 데이터에서 흔히 볼 수 있는 강한 계절적 효과를 처리하기 위해 Facebook Prophet과 같은 도구가 자주 사용됩니다.
- 헬스케어 생체 신호 모니터링: 의료 분야에서 의료 분야에서의 AI 시스템은 심박수 및 혈압과 같은 환자의 생체 신호를 지속적으로 모니터링합니다. 시계열 알고리즘은 환자의 측정값이 정상적인 과거 기준선에서 벗어날 경우 의료진에게 즉시 경고하기 위해 이상 탐지를 수행할 수 있으며, 이는 잠재적으로 생명을 구할 수 있습니다.
- 예지 보전: 제조 공장에서는 센서를 사용하여 시간에 따른 기계의 진동 또는 온도 데이터를 수집합니다. 제조업에서의 AI를 적용함으로써 기업은 장비 고장을 발생하기 전에 예측하여 다운타임을 최소화할 수 있습니다.
컴퓨터 비전에서 시계열 생성#
시계열 분석은 이미지와 같은 공간 데이터에 중점을 두는 컴퓨터 비전 (CV)과 구분되지만, 두 분야는 종종 교차합니다. CV 모델은 비디오 스트림을 처리하여 시계열 데이터를 생성할 수 있습니다. 예를 들어, 트래픽 카메라에서 실행되는 객체 카운팅 시스템은 분당 자동차의 순차적 개수를 생성합니다.
다음 예제는 Ultralytics YOLO26을 사용하여 비디오에서 객체를 추적하고 시각적 데이터를 객체 개수의 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 파이프라인으로 유입되는 데이터셋을 관리하고 모델을 학습하기 위해, 사용자는 주석 작업부터 배포까지의 워크플로우를 단순화하는 Ultralytics 플랫폼을 활용할 수 있습니다.
최신 신경망 아키텍처#
ARIMA (자기회귀 누적 이동 평균)과 같은 전통적인 통계 방법은 여전히 인기가 있지만, 현대 딥러닝 (DL)은 강력한 대안들을 도입했습니다.
- 순환 신경망 (RNN): 시퀀스 데이터를 위해 특별히 설계된 순환 신경망 (RNN)은 이전 입력에 대한 "메모리"를 유지하므로 단기 종속성에 적합합니다.
- 장단기 메모리 (LSTM): 긴 시퀀스를 기억하는 데 있어 표준 RNN의 한계를 해결하기 위해, 장단기 메모리 (LSTM) 아키텍처는 게이트를 사용하여 정보 흐름을 제어함으로써 장기 시간적 종속성을 효과적으로 모델링합니다.
- 트랜스포머: 원래 텍스트용으로 구축된 Transformer 아키텍처와 그 어텐션 메커니즘은 이제 복잡한 시계열 데이터를 예측하는 데 최고 수준(state-of-the-art)이며, 종종 기존의 순환 모델보다 뛰어난 성능을 보입니다.
관련 용어와의 차이점#
시계열 분석을 시퀀스 모델링 및 컴퓨터 비전과 구별하는 것이 중요합니다.
- 시계열 대 시퀀스 모델링: 모든 시계열은 시퀀스이지만, 모든 시퀀스가 시계열인 것은 아닙니다. 자연어 처리 (NLP)는 순서가 중요한 단어 시퀀스를 다루지만, "시간" 요소는 추상적입니다. 시계열 분석은 데이터가 시간순으로 인덱싱되어 있음을 구체적으로 의미합니다.
- 시계열 대 컴퓨터 비전: CV는 시각적 입력(픽셀)을 해석하는 것을 다룹니다. 그러나 비디오 이해와 같은 기법은 시각적 분석에 시간적 차원을 추가함으로써 격차를 해소하며, 종종 Transformer를 사용하여 시각적 내용이 시간에 따라 어떻게 바뀌는지 이해합니다.
