Time Series Analysis

Анализ временных рядов — это специальный метод анализа последовательности точек данных, собранных в течение определённого интервала времени. В рамках этого процесса аналитики записывают точки данных через равные интервалы на протяжении заданного периода, а не просто фиксируют их время от времени или случайным образом. В отличие от статичных наборов данных, используемых для стандартной классификации изображений, данные временных рядов добавляют временное измерение, то есть порядок данных имеет решающее значение для понимания лежащих в их основе закономерностей. Этот метод лежит в основе аналитики данных и широко применяется для прогнозирования будущих событий на основе исторических тенденций.

Основные компоненты и методы#

Чтобы эффективно анализировать данные, зависящие от времени, специалисты должны определить отдельные компоненты, из которых состоит сигнал.

• Анализ трендов: включает определение долгосрочного направления изменения данных. Например, линейную регрессию часто используют для моделирования того, в целом увеличиваются или уменьшаются продажи на протяжении нескольких лет.
• Выявление сезонности: многие наборы данных демонстрируют регулярные, предсказуемые изменения, повторяющиеся каждый календарный год. Розничные продавцы используют анализ сезонности, чтобы подготовиться к праздничным всплескам спроса или покупательским привычкам, связанным с погодой.
• Стационарность: временной ряд считается стационарным, если его статистические свойства, такие как среднее значение и дисперсия, не изменяются со временем. Такие методы, как тест Дики — Фуллера, помогают определить, нуждаются ли данные в преобразовании перед моделированием.
• Оценка шума: случайные вариации, или «белый шум», могут скрывать истинные закономерности. Для отделения значимых сигналов от случайных колебаний используют продвинутую фильтрацию или автоэнкодеры.

Практические применения AI/ML#

Анализ временных рядов имеет решающее значение для отраслей, которым необходимо точное прогнозирование для оптимизации операций и снижения рисков.

• Прогнозирование спроса в розничной торговле: розничные продавцы используют ИИ в розничной торговле для прогнозирования потребностей в запасах. Анализируя временные ряды прошлых продаж, компании могут оптимизировать цепочки поставок, сокращая как избыточные запасы, так и дефицит товаров. Для обработки выраженных сезонных эффектов, характерных для данных розничной торговли, часто применяются такие инструменты, как Facebook Prophet.
• Мониторинг жизненных показателей в здравоохранении: в медицине системы ИИ в здравоохранении непрерывно отслеживают жизненные показатели пациентов, такие как частота сердечных сокращений и артериальное давление. Алгоритмы временных рядов могут выполнять обнаружение аномалий, чтобы немедленно уведомить медицинский персонал, если показатели пациента отклоняются от его обычного исторического базового уровня, что потенциально может спасти жизнь.
• Предиктивное обслуживание: на производственных предприятиях датчики собирают данные о вибрации или температуре оборудования с течением времени. Применяя ИИ в производстве, компании могут предсказывать отказ оборудования до его возникновения, сводя к минимуму простои.

Формирование временных рядов с помощью компьютерного зрения#

Хотя анализ временных рядов отличается от компьютерного зрения (CV), которое сосредоточено на пространственных данных, таких как изображения, эти две области часто пересекаются. Модель CV может обрабатывать видеопотоки для формирования данных временных рядов. Например, система подсчёта объектов, работающая на дорожной камере, формирует последовательное количество автомобилей за каждую минуту.

В следующем примере показано, как использовать Ultralytics YOLO26 для отслеживания объектов в видео, фактически преобразуя визуальные данные во временной ряд с количеством объектов.

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")

Для управления наборами данных и обучения моделей, используемых в таких конвейерах, можно применять Ultralytics Platform, которая упрощает рабочий процесс от аннотирования до развертывания.

Современные нейронные архитектуры#

Традиционные статистические методы, такие как ARIMA (авторегрессионное интегрированное скользящее среднее), по-прежнему популярны, однако современное глубокое обучение (DL) предложило мощные альтернативы.

• Рекуррентные нейронные сети (RNNs): специально разработанная для последовательных данных рекуррентная нейронная сеть (RNN) сохраняет «память» о предыдущих входных данных, что делает её подходящей для краткосрочных зависимостей.
• Долгая краткосрочная память (LSTM): чтобы устранить ограничения стандартных RNN при запоминании длинных последовательностей, архитектура долгой краткосрочной памяти (LSTM) использует вентили для управления потоком информации, эффективно моделируя долгосрочные временные зависимости.
• Transformer: изначально созданная для работы с текстом архитектура Transformer и её механизмы внимания теперь являются передовыми решениями для прогнозирования сложных данных временных рядов и часто превосходят более старые рекуррентные модели.

Отличие от связанных терминов#

Важно отличать анализ временных рядов от моделирования последовательностей и компьютерного зрения.

• Временные ряды и моделирование последовательностей: хотя все временные ряды являются последовательностями, не все последовательности являются временными рядами. Обработка естественного языка (NLP) работает с последовательностями слов, в которых важен порядок, но элемент «времени» является абстрактным. Анализ временных рядов подразумевает, что данные проиндексированы по времени.
• Временные ряды и компьютерное зрение: CV занимается интерпретацией визуальных входных данных, то есть пикселей. Однако такие методы, как понимание видео, связывают эти области, добавляя временное измерение к визуальному анализу и часто используя Transformers для понимания того, как визуальное содержимое изменяется со временем.