Time Series Analysis

Zaman serisi analizi, belirli bir zaman aralığında toplanan veri noktalarının dizisini analiz etmeye yönelik özel bir yöntemdir. Bu süreçte analistler, verileri rastgele veya kesintili olarak kaydetmek yerine, belirli bir süre boyunca tutarlı aralıklarla kaydederler. Standart Görüntü Sınıflandırma için kullanılan statik veri kümelerinin aksine, zaman serisi verileri zamansal bir boyut ekler; bu da verilerin sırasının temel modelleri anlamak için kritik olduğu anlamına gelir. Bu teknik, Veri Analitiği için temeldir ve geçmiş trendlere dayanarak gelecekteki olayları tahmin etmek için yaygın olarak kullanılır.

Link to this sectionTemel 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 yönünün belirlenmesini içerir. Örneğin, Doğrusal Regresyon, satışların birkaç yıl boyunca genel olarak artıp artmadığını veya azalıp azalmadığını modellemek için sıklıkla kullanılır.
• Mevsimsellik Tespiti: Birçok veri kümesi, her takvim yılında tekrarlayan düzenli ve öngörülebilir değişiklikler gösterir. Perakendeciler, tatil dönemi artışlarına veya hava durumuna bağlı satın alma alışkanlıklarına hazırlanmak için mevsimsellik analizini kullanırlar.
• Durağanlık: İstatistiksel özellikleri (ortalama ve varyans gibi) zaman içinde değişmiyorsa, bir zaman serisinin durağan olduğu söylenir. Dickey-Fuller testi gibi teknikler, verilerin modelleme öncesinde dönüştürülüp dönüştürülmeyeceğini belirlemeye yardımcı olur.
• Gürültü Tahmini: Rastgele değişimler veya "beyaz gürültü", gerçek modelleri gizleyebilir. Gelişmiş filtreleme veya Otokodlayıcılar, anlamlı sinyalleri rastgele dalgalanmalardan ayırmak için kullanılır.

Link to this sectionGerçek 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 Perakendede Yapay Zeka çözümlerinden yararlanır. Geçmiş satışların zaman serisi verilerini analiz ederek, işletmeler tedarik zincirlerini optimize edebilir ve hem stok fazlasını hem de stok tükenmesini azaltabilirler. Facebook Prophet gibi araçlar, perakende verilerinde görülen güçlü mevsimsel etkileri yönetmek için sıklıkla kullanılır.
• Sağlık Hizmetlerinde Yaşam Bulguları İzleme: Tıp alanında, Sağlık Hizmetlerinde Yapay Zeka sistemleri, hastanın kalp atış hızı ve kan basıncı gibi hayati bulgularını sürekli olarak izler. Zaman serisi algoritmaları, bir hastanın verileri normal geçmiş temel değerlerinden saparsa tıbbi personeli anında uyarmak için Anomali Tespiti gerçekleştirebilir ve potansiyel olarak hayat kurtarabilir.
• Kestirimci Bakım: Üretim tesisleri, makinelerden zaman içinde titreşim veya sıcaklık verilerini toplamak için sensörler kullanır. Üretimde Yapay Zeka uygulayarak, şirketler ekipman arızasını meydana gelmeden önce tahmin edebilir ve duruş süresini en aza indirebilirler.

Link to this sectionBilgisayarlı Görüden Zaman Serisi Oluşturma#

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

Aşağıdaki örnek, bir videodaki nesneleri takip etmek ve görsel verileri etkili bir şekilde nesne sayılarından oluşan 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")

Veri kümelerini yönetmek ve bu boru hatlarını besleyen modelleri eğitmek için kullanıcılar, ek açıklamadan dağıtıma kadar iş akışını basitleştiren Ultralytics Platform çözümünden yararlanabilirler.

Link to this sectionModern Sinir Mimarileri#

ARIMA (Otoregresif Bütünleşik Hareketli Ortalama) gibi geleneksel istatistiksel yöntemler hala popülerdir, ancak modern Derin Öğrenme (DL) güçlü alternatifler sunmuştur.

• Yinelemeli Sinir Ağları (RNN'ler): Özellikle sıralı veriler için tasarlanmış olan bir Yinelemeli Sinir Ağı (RNN), önceki girişlerin bir "hafızasını" tutar ve bu da onu kısa vadeli bağımlılıklar için uygun hale getirir.
• Uzun Kısa Süreli Bellek (LSTM): Standart RNN'lerin uzun dizileri hatırlamadaki sınırlamalarını aşmak için, Uzun Kısa Süreli Bellek (LSTM) mimarisi, bilgi akışını kontrol etmek için kapılar kullanır ve uzun vadeli zamansal bağımlılıkları etkin bir şekilde modeller.
• Transformerlar: Başlangıçta metin için oluşturulmuş olan Transformer mimarisi ve dikkat mekanizmaları, artık karmaşık zaman serisi verilerini tahmin etmede son teknolojidir ve genellikle eski yinelemeli modellerden daha iyi performans gösterir.

Link to this sectionİlgili Terimlerden Farkı#

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

• Zaman Serisi vs. Dizi Modelleme: Tüm zaman serileri birer dizi olsa da, her dizi bir zaman serisi değildir. Doğal Dil İşleme (NLP), sıranın önemli olduğu kelime dizileriyle ilgilenir, ancak "zaman" öğesi soyuttur. Zaman serisi analizi, verilerin özellikle zamana göre indekslendiğini ifade eder.
• Zaman Serisi vs. Bilgisayarlı Görü: CV, görsel girdileri (pikselleri) yorumlamakla ilgilenir. Ancak Video Anlama gibi teknikler, görsel analize zamansal bir boyut ekleyerek bu boşluğu doldurur ve genellikle görsel içeriğin zaman içinde nasıl değiştiğini anlamak için Transformerlar kullanılır.