Time Series Analysis

Zaman serisi analizi, belirli bir zaman aralığında toplanan veri noktaları dizisini analiz etmeye yönelik özel bir yöntemdir. Bu süreçte analistler, veri noktalarını aralıklı veya rastgele kaydetmek yerine belirli bir dönem boyunca tutarlı aralıklarla kaydeder. Standart Görüntü Sınıflandırma için kullanılan statik veri kümelerinin aksine, zaman serisi verileri zamansal bir boyut ekler; bu da altta yatan örüntüleri anlamak için verilerin sırasının kritik olduğu anlamına gelir. Bu teknik, Veri Analitiği için temel niteliktedir ve geçmiş eğilimlere dayanarak gelecekteki olayları tahmin etmek için yaygın olarak kullanılır.

Temel Bileşenler ve Teknikler#

Zamana bağlı verileri etkili bir şekilde analiz etmek için uygulayıcıların sinyali oluşturan farklı bileşenleri belirlemesi gerekir.

• Trend Analizi: Bu, verilerin uzun vadeli yönünü belirlemeyi içerir. Örneğin, satışların birkaç yıl içinde genel olarak artıp artmadığını veya azalıp azalmadığını modellemek için sıklıkla Doğrusal Regresyon kullanılır.
• Mevsimsellik Tespiti: Birçok veri kümesi, her takvim yılında tekrarlanan düzenli ve öngörülebilir değişimler sergiler. Perakendeciler, tatil dönemlerindeki ani artışlara veya hava durumuyla ilişkili satın alma alışkanlıklarına hazırlanmak için mevsimsellik analizi kullanır.
• Durağanlık: Bir zaman serisinin ortalama ve varyans gibi istatistiksel özellikleri zaman içinde değişmiyorsa durağan olduğu söylenir. Dickey-Fuller testi gibi teknikler, modelleme öncesinde verilerin dönüştürülmesi gerekip gerekmediğini belirlemeye yardımcı olur.
• Gürültü Tahmini: Rastgele değişimler veya "beyaz gürültü" gerçek örüntüleri gizleyebilir. Anlamlı sinyalleri rastgele dalgalanmalardan ayırmak için gelişmiş filtreleme yöntemleri veya Otoenkoderler kullanılır.

Gerçek Dünya Yapay Zekâ/Makine Öğrenmesi Uygulamaları#

Zaman serisi analizi, operasyonları optimize etmek ve riski azaltmak için doğru tahminler gerektiren sektörler açısından kritik öneme sahiptir.

• Perakendede Talep Tahmini: Perakendeciler, envanter gereksinimlerini tahmin etmek için Perakendede Yapay Zekâ kullanır. İşletmeler, geçmiş satışlara ait zaman serisi verilerini analiz ederek tedarik zincirlerini optimize edebilir ve hem fazla stok hem de stok tükenmesini azaltabilir. Facebook Prophet gibi araçlar, perakende verilerinde görülen güçlü mevsimsel etkileri ele almak için sıklıkla kullanılır.
• Sağlıkta Hayati Bulguların İzlenmesi: Tıp alanında Sağlıkta Yapay Zekâ sistemleri, kalp atış hızı ve kan basıncı gibi hasta hayati bulgularını sürekli olarak izler. Zaman serisi algoritmaları, hastanın ölçümleri normal geçmiş temel değerlerinden saparsa sağlık personelini anında uyarmak için Anomali Tespiti gerçekleştirebilir ve bu sayede potansiyel olarak hayat kurtarabilir.
• Kestirimci Bakım: Üretim tesisleri, makinelerden zaman içinde titreşim veya sıcaklık verileri toplamak için sensörler kullanır. Şirketler Üretimde Yapay Zekâ uygulayarak ekipman arızalarını gerçekleşmeden önce tahmin edebilir ve duruş süresini en aza indirebilir.

Bilgisayarlı Görüden Zaman Serisi Oluşturma#

Zaman serisi analizi, görüntüler gibi uzamsal verilere odaklanan Bilgisayarlı Görü (CV) alanından farklı olsa da bu iki alan sıklıkla kesişir. Bir CV modeli, zaman serisi verileri oluşturmak için video akışlarını işleyebilir. Örneğin, bir trafik kamerasında çalışan Nesne Sayma sistemi, dakikadaki araç sayısının sıralı bir dizisini üretir.

Aşağıdaki örnek, görsel verileri nesne sayılarından oluşan bir zaman serisine etkili bir şekilde dönüştürerek videodaki nesneleri takip etmek için Ultralytics YOLO26 kullanımını gösterir.

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")

Bu işlem hatlarına girdi sağlayan veri kümelerini yönetmek ve modelleri eğitmek için kullanıcılar, ek açıklamadan dağıtıma kadar iş akışını kolaylaştıran Ultralytics Platformu çözümünden yararlanabilir.

Modern Sinir Ağı Mimarileri#

ARIMA (Otoregresif Entegre Hareketli Ortalama) gibi geleneksel istatistiksel yöntemler hâlâ popüler olsa da modern Derin Öğrenme (DL) güçlü alternatifler sunmuştur.

• Tekrarlayan Sinir Ağları (RNNs): Sıralı veriler için özel olarak tasarlanan bir Tekrarlayan Sinir Ağı (RNN), önceki girdilerin "belleğini" korur ve bu sayede kısa vadeli bağımlılıklar için uygun hâle gelir.
• Uzun Kısa Süreli Bellek (LSTM): Standart RNNs ağlarının uzun dizileri hatırlamadaki sınırlamalarını gidermek için Uzun Kısa Süreli Bellek (LSTM) mimarisi, bilgi akışını kontrol etmek üzere kapılar kullanır ve uzun vadeli zamansal bağımlılıkları etkili bir şekilde modeller.
• Transformer'lar: Başlangıçta metin için oluşturulan Transformer mimarisi ve dikkat mekanizmaları, artık karmaşık zaman serisi verilerini tahmin etmede son teknoloji yaklaşımı oluşturmaktadır ve çoğu zaman daha eski tekrarlayan modellerden daha iyi performans gösterir.

İlişkili Terimlerden Ayrımı#

Zaman Serisi Analizi ile Dizi Modellemesi ve Bilgisayarlı Görü arasındaki farkı ayırt etmek önemlidir.

• Zaman Serisi ve Dizi Modellemesi: Tüm zaman serileri dizidir, ancak tüm diziler zaman serisi değildir. Doğal Dil İşleme (NLP), sıranın önemli olduğu sözcük dizileriyle ilgilenir, ancak "zaman" unsuru soyuttur. Zaman serisi analizi, verilerin özellikle zamana göre indekslendiği anlamına gelir.
• Zaman Serisi ve Bilgisayarlı Görü: CV, görsel girdileri (pikselleri) yorumlamakla ilgilenir. Ancak Video Anlama gibi teknikler, görsel analize zamansal bir boyut ekleyerek ve görsel içeriğin zaman içinde nasıl değiştiğini anlamak için sıklıkla Transformer'ları kullanarak bu iki alan arasındaki boşluğu kapatır.