Time Series Analysis

Анализ временных рядов — это особый метод анализа последовательности точек данных, собранных за определенный интервал времени. В этом процессе аналитики записывают точки данных через равные промежутки времени за заданный период, а не фиксируют их время от времени или случайно. В отличие от статических наборов данных, используемых для стандартной классификации изображений (Image Classification), данные временных рядов добавляют временное измерение, что означает важность порядка данных для понимания лежащих в их основе закономерностей. Этот метод является основополагающим для аналитики данных (Data Analytics) и широко применяется для прогнозирования будущих событий на основе исторических трендов.

Основные компоненты и методы#

Для эффективного анализа временных данных тебе нужно определить отдельные компоненты, из которых состоит сигнал.

• Анализ трендов: Он включает в себя определение долгосрочного направления данных. Например, линейная регрессия (Linear Regression) часто используется для моделирования того, растут или падают продажи в целом за несколько лет.
• Обнаружение сезонности: Многие наборы данных демонстрируют регулярные, предсказуемые изменения, которые повторяются каждый календарный год. Розничные продавцы используют анализ сезонности (seasonality analysis), чтобы подготовиться к праздничным всплескам или покупательским привычкам, связанным с погодой.
• Стационарность: Временной ряд считается стационарным, если его статистические свойства, такие как среднее значение и дисперсия, не меняются со временем. Такие методы, как тест Дики — Фуллера (Dickey-Fuller test), помогают определить, нуждаются ли данные в преобразовании перед моделированием.
• Оценка шума: Случайные вариации или «белый шум» могут затмевать истинные закономерности. Усовершенствованная фильтрация или автоэнкодеры (Autoencoders) применяются для отделения значимых сигналов от случайных флуктуаций.

Реальные приложения ИИ/ML#

Анализ временных рядов критически важен для отраслей, требующих точного прогнозирования для оптимизации операций и снижения рисков.

• Прогнозирование спроса в ритейле: Розничные сети используют искусственный интеллект в ритейле (AI in Retail) для прогнозирования потребностей в запасах. Анализируя временные ряды прошлых продаж, компании могут оптимизировать цепочки поставок, уменьшая как переизбыток товаров, так и их дефицит. Такие инструменты, как Facebook Prophet (Facebook Prophet), часто задействуются для работы с сильными сезонными эффектами, наблюдаемыми в розничных данных.
• Мониторинг жизненных показателей в здравоохранении: В медицинской сфере системы искусственного интеллекта в здравоохранении (AI in Healthcare) непрерывно отслеживают жизненные показатели пациента, такие как частота сердечных сокращений и артериальное давление. Алгоритмы временных рядов могут выполнять обнаружение аномалий (Anomaly Detection), чтобы немедленно предупредить медицинский персонал, если показатели пациента отклоняются от его обычной исторической нормы, что потенциально может спасти жизни.
• Предиктивное обслуживание: Производственные предприятия используют датчики для сбора данных о вибрации или температуре оборудования с течением времени. Применяя искусственный интеллект в производстве (AI in Manufacturing), компании могут прогнозировать поломку оборудования до того, как она произойдет, сводя к минимуму время простоя.

Создание временных рядов на основе компьютерного зрения#

**Хотя анализ временных рядов отличается от компьютерного зрения (CV) (Computer Vision (CV)), которое фокусируется на пространственных данных вроде изображений, эти две области часто пересекаются. Модель CV может обрабатывать видеопотоки для генерации данных временных рядов. Например, система подсчета объектов (Object Counting), работающая на дорожной камере, выдает последовательный подсчет машин в минуту.

Следующий пример демонстрирует, как использовать Ultralytics YOLO26 (Ultralytics YOLO26) для отслеживания объектов на видео, эффективно преобразуя визуальные данные во временной ряд подсчетов 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, которые поступают в эти конвейеры, ты можешь использовать платформу Ultralytics Platform (Ultralytics Platform), упрощающую рабочий процесс от разметки до развертывания.

Современные нейронные архитектуры#

Традиционные статистические методы вроде ARIMA (авторегрессионное интегрированное скользящее среднее) (ARIMA (AutoRegressive Integrated Moving Average)) по-прежнему популярны, но современное глубокое обучение (DL) (Deep Learning (DL)) предложило мощные альтернативы.

• Рекуррентные нейронные сети (RNN): Специально разработанные для последовательных данных, рекуррентные нейронные сети (RNN) (Recurrent Neural Network (RNN)) сохраняют «память» о предыдущих входных данных, что делает их подходящими для кратковременных зависимостей.
• Долгая краткосрочная память (LSTM): Чтобы преодолеть ограничения стандартных RNN в запоминании длинных последовательностей, архитектура долговременной краткосрочной памяти (LSTM) (Long Short-Term Memory (LSTM)) использует вентили для управления потоком информации, эффективно моделируя долгосрочные временные зависимости.
• Трансформеры: Первоначально созданная для текста, архитектура трансформеров (Transformer) и ее механизмы внимания в настоящее время являются передовыми методами прогнозирования сложных данных временных рядов, часто превосходя более старые рекуррентные модели.

Отличие от связанных терминов#

Важно различать анализ временных рядов, моделирование последовательностей и компьютерное зрение.

• Временные ряды против моделирования последовательностей: Хотя все временные ряды являются последовательностями, не все последовательности — это временные ряды. Обработка естественного языка (NLP) (Natural Language Processing (NLP)) имеет дело с последовательностями слов, где порядок имеет значение, но элемент «времени» абстрактен. Анализ временных рядов конкретно подразумевает, что данные индексируются по времени.
• Временные ряды против компьютерного зрения: CV имеет дело с интерпретацией визуальных входных данных (пикселей). Тем не менее, такие методы, как понимание видео (Video Understanding), устраняют этот разрыв, добавляя временное измерение к визуальному анализу, часто используя трансформеры (Transformers) для понимания того, как визуальный контент меняется со временем.