Time Series Analysis

Zaman serisi analizi, bir zaman aralığı boyunca toplanan bir veri noktaları dizisini analiz etmeye yönelik özel bir yöntemdir. Bu süreçte analistler, verileri aralıklı veya rastgele kaydetmek yerine, belirlenmiş bir süre boyunca tutarlı aralıklarla veri noktalarını kaydeder. Standart Image Classification için kullanılan statik veri kümelerinin aksine, zaman serisi verileri zamansal bir boyut ekler; yani verilerin sırası, temel kalıpları anlamak için çok önemlidir. Bu teknik, Data Analytics için temeldir ve geçmiş eğilimlere dayanarak gelecekteki olayları tahmin etmek için yaygın olarak kullanılır.

Temel Bileşenler ve Teknikler#

Zamana dayalı verileri etkili bir şekilde analiz etmek için, uygulayıcıların sinyali oluşturan farklı bileşenleri tanımlaması gerekir.

• Trend Analizi: Bu, verilerin uzun vadeli yönünü belirlemeyi içerir. Örneğin, Linear Regression, satışların birkaç yıl boyunca genellikle artıp artmadığını veya azalıp azalmadığını modellemek için sıklıkla kullanılır.
• Mevsimsellik Tespiti: Birçok veri kümesi, her takvim yılında tekrarlanan düzenli ve öngörülebilir değişiklikler gösterir. Perakendeciler, tatil dönemindeki artışlara veya hava koşullarına bağlı satın alma alışkanlıklarına hazırlanmak için seasonality analysis kullanır.
• Durağanlık: Bir zaman serisinin ortalama ve varyans gibi istatistiksel özellikleri zaman içinde değişmiyorsa durağan olduğu kabul edilir. Dickey-Fuller test gibi teknikler, modellemeden önce verilerin dönüştürülmeye gerek duyup duymadığını belirlemeye yardımcı olur.
• Gürültü Tahmini: Rastgele varyasyonlar veya "beyaz gürültü" gerçek kalıpları gizleyebilir. Rastgele dalgalanmalardan anlamlı sinyalleri ayırmak için gelişmiş filtreleme veya Autoencoders kullanılır.

Gerçek Dünyada Yapay Zeka/ML Uygulamaları#

Zaman serisi analizi, operasyonları optimize etmek ve riski azaltmak için doğru tahminlere ihtiyaç duyan endüstriler için kritiktir.

• Perakendede Talep Tahmini: Perakendeciler envanter gereksinimlerini tahmin etmek için AI in Retail kullanır. İşletmeler, geçmiş satışların zaman serisi verilerini analiz ederek tedarik zincirlerini optimize edebilir, böylece hem aşırı stok hem de stok tükenmesini azaltabilir. Perakende verilerinde görülen güçlü mevsimsel etkileri ele almak için genellikle Facebook Prophet gibi araçlar kullanılır.
• Sağlık Yaşam Bulguları İzleme: Tıp alanında, AI in Healthcare sistemleri kalp atış hızı ve kan basıncı gibi hasta bulgularını sürekli olarak izler. Zaman serisi algoritmaları, bir hastanın ölçümleri normal geçmiş temel çizgisinden saparsa sağlık personelini derhal uyararak potansiyel olarak hayat kurtarmak için Anomaly Detection gerçekleştirebilir.
• Kestirimci Bakım: Üretim tesisleri, makinelerden zaman içinde titreşim veya sıcaklık verisi toplamak için sensörler kullanır. Şirketler AI in Manufacturing uygulayarak ekipman arızalarını gerçekleşmeden önce tahmin edebilir ve arıza sürelerini en aza indirebilir.

Bilgisayarlı Görüden Zaman Serisi Oluşturma#

Zaman serisi analizi, görseller gibi uzamsal verilere odaklanan Computer Vision (CV) alanından farklı olsa da, bu iki alan genellikle kesişir. Bir CV modeli, zaman serisi verileri üretmek için video akışlarını işleyebilir. Örneğin, bir trafik kamerası üzerinde çalışan bir Object Counting sistemi, dakika başına ardışık bir araba sayısı üretir.

Aşağıdaki örnek, bir videodaki nesneleri izlemek ve görsel verileri etkili bir şekilde nesne sayılarına ait bir zaman serisine dönüştürmek için Ultralytics YOLO26 kullanımını göstermektedir.

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 boru hatlarına veri besleyen veri kümelerini yönetmek ve modelleri eğitmek için, açıklamadan dağıtıma kadar iş akışını basitleştiren Ultralytics Platform kullanılabilir.

Modern Sinir Mimarileri#

ARIMA (AutoRegressive Integrated Moving Average) gibi geleneksel istatistiksel yöntemler hâlâ popülerdir, ancak modern Deep Learning (DL) güçlü alternatifler sunmuştur.

• Yinelemeli Sinir Ağları (RNN'ler): Özellikle ardışık veriler için tasarlanan Recurrent Neural Network (RNN), önceki girdilerin "hafızasını" koruyarak kısa vadeli bağımlılıklar için uygun hale gelir.
• Uzun Kısa Süreli Bellek (LSTM): Standart RNN'lerin uzun dizileri hatırlamadaki sınırlamalarını ele almak için, Long Short-Term Memory (LSTM) mimarisi bilgi akışını kontrol etmek üzere kapılar kullanır ve uzun vadeli zamansal bağımlılıkları etkili bir şekilde modeller.
• Transformer'lar: Orijinal olarak metin için oluşturulan Transformer mimarisi ve dikkat mekanizmaları, karmaşık zaman serisi verilerini tahmin etmek için artık son teknoloji ürünüdür ve genellikle eski yinelenen modellerden daha iyi performans gösterir.

İlgili Terimlerden Farkı#

Zaman Serisi Analizi ile Dizi Modelleme ve Bilgisayarlı Görü kavramlarını birbirinden ayırmak önemlidir.

• Zaman Serisi ve Dizi Modelleme: Tüm zaman serileri birer dizi olsa da, tüm diziler zaman serisi değildir. Natural Language Processing (NLP), sıranın önemli olduğu kelime dizileriyle ilgilenir, ancak "zaman" öğesi soyuttur. Zaman serisi analizi özellikle verilerin zamanla indekslendiğini belirtir.
• Zaman Serisi ve Bilgisayarlı Görü: CV, görsel girdileri (pikselleri) yorumlamakla ilgilidir. Bununla birlikte, Video Understanding gibi teknikler, görsel analize zamansal bir boyut ekleyerek ve görsel içeriğin zaman içinde nasıl değiştiğini anlamak için genellikle Transformers kullanarak aradaki boşluğu kapatır.