Time Series Analysis

Phân tích chuỗi thời gian là một phương pháp cụ thể để phân tích một chuỗi các điểm dữ liệu được thu thập qua một khoảng thời gian. Trong quá trình này, các nhà phân tích ghi lại các điểm dữ liệu tại các khoảng thời gian nhất định trong một khoảng thời gian được thiết lập thay vì chỉ ghi lại các điểm dữ liệu một cách ngắt quãng hoặc ngẫu nhiên. Không giống như các tập dữ liệu tĩnh được sử dụng cho Phân loại ảnh tiêu chuẩn, dữ liệu chuỗi thời gian bổ sung một chiều thời gian, nghĩa là thứ tự của dữ liệu rất quan trọng để hiểu các mẫu cơ bản. Kỹ thuật này là nền tảng cho Phân tích dữ liệu và được sử dụng rộng rãi để dự báo các sự kiện trong tương lai dựa trên các xu hướng lịch sử.

Các thành phần và kỹ thuật cốt lõi#

Để phân tích dữ liệu dựa trên thời gian một cách hiệu quả, các chuyên gia phải xác định được các thành phần riêng biệt tạo nên tín hiệu.

• Phân tích xu hướng: Điều này bao gồm việc xác định hướng đi dài hạn của dữ liệu. Ví dụ, Hồi quy tuyến tính thường được sử dụng để mô hình hóa xem doanh số bán hàng nhìn chung đang tăng hay giảm trong vài năm.
• Phát hiện tính mùa vụ: Nhiều tập dữ liệu thể hiện các thay đổi đều đặn, có thể dự đoán được lặp lại mỗi năm dương lịch. Các nhà bán lẻ sử dụng phân tích tính mùa vụ để chuẩn bị cho các đợt tăng đột biến vào dịp lễ hoặc thói quen mua sắm liên quan đến thời tiết.
• Tính dừng: Một chuỗi thời gian được gọi là dừng nếu các thuộc tính thống kê của nó, chẳng hạn như giá trị trung bình và phương sai, không thay đổi theo thời gian. Các kỹ thuật như kiểm định Dickey-Fuller giúp xác định xem dữ liệu có cần biến đổi trước khi lập mô hình hay không.
• Ước tính nhiễu: Các biến động ngẫu nhiên hoặc "nhiễu trắng" có thể che khuất các mẫu thực sự. Các bộ lọc nâng cao hoặc Bộ mã hóa tự động được sử dụng để tách các tín hiệu có ý nghĩa ra khỏi các biến động ngẫu nhiên.

Các ứng dụng AI/ML trong thực tế#

Phân tích chuỗi thời gian rất quan trọng đối với các ngành đòi hỏi dự báo chính xác để tối ưu hóa hoạt động và giảm thiểu rủi ro.

• Dự báo nhu cầu trong bán lẻ: Các nhà bán lẻ tận dụng AI trong Bán lẻ để dự đoán các yêu cầu về hàng tồn kho. Bằng cách phân tích dữ liệu chuỗi thời gian của doanh số bán hàng trước đây, các doanh nghiệp có thể tối ưu hóa chuỗi cung ứng, giảm thiểu tình trạng tồn kho quá mức và thiếu hàng. Các công cụ như Facebook Prophet thường được sử dụng để xử lý các hiệu ứng mùa vụ mạnh mẽ có trong dữ liệu bán lẻ.
• Giám sát chỉ số sinh tồn y tế: Trong lĩnh vực y tế, các hệ thống AI trong Y tế liên tục giám sát các chỉ số sinh tồn của bệnh nhân như nhịp tim và huyết áp. Các thuật toán chuỗi thời gian có thể thực hiện Phát hiện bất thường để cảnh báo ngay cho nhân viên y tế nếu các chỉ số của bệnh nhân lệch khỏi đường cơ sở lịch sử bình thường của họ, có khả năng cứu sống bệnh nhân.
• Bảo trì dự đoán: Các nhà máy sản xuất sử dụng cảm biến để thu thập dữ liệu độ rung hoặc nhiệt độ từ máy móc theo thời gian. Bằng cách áp dụng AI trong Sản xuất, các công ty có thể dự đoán hỏng hóc thiết bị trước khi nó xảy ra, giảm thiểu thời gian ngừng hoạt động.

Tạo chuỗi thời gian từ thị giác máy tính#

Mặc dù phân tích chuỗi thời gian khác biệt với Thị giác máy tính (CV)—tập trung vào dữ liệu không gian như hình ảnh—hai lĩnh vực này thường giao nhau. Một mô hình CV có thể xử lý các luồng video để tạo ra dữ liệu chuỗi thời gian. Ví dụ, một hệ thống Đếm đối tượng chạy trên camera giao thông tạo ra một số lượng xe tuần tự theo phút.

Ví dụ sau minh họa cách sử dụng Ultralytics YOLO26 để theo dõi các đối tượng trong video, chuyển đổi hiệu quả dữ liệu hình ảnh thành chuỗi thời gian của số lượng đối tượng.

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")

Để quản lý các tập dữ liệu và đào tạo các mô hình đưa vào các đường ống này, người dùng có thể tận dụng Ultralytics Platform, giúp đơn giản hóa quy trình làm việc từ việc gán nhãn đến triển khai.

Các kiến trúc thần kinh hiện đại#

Các phương pháp thống kê truyền thống như ARIMA (Trung bình trượt tích hợp tự hồi quy) vẫn phổ biến, nhưng Học sâu (DL) hiện đại đã giới thiệu các giải pháp thay thế mạnh mẽ.

• Mạng nơ-ron hồi tiếp (RNN): Được thiết kế đặc biệt cho dữ liệu tuần tự, Mạng nơ-ron hồi tiếp (RNN) duy trì "bộ nhớ" của các đầu vào trước đó, làm cho nó phù hợp cho các phụ thuộc ngắn hạn.
• Bộ nhớ ngắn hạn dài (LSTM): Để giải quyết các hạn chế của RNN tiêu chuẩn trong việc ghi nhớ các chuỗi dài, kiến trúc Bộ nhớ ngắn hạn dài (LSTM) sử dụng các cổng để kiểm soát luồng thông tin, mô hình hóa hiệu quả các phụ thuộc thời gian dài hạn.
• Transformers: Ban đầu được xây dựng cho văn bản, kiến trúc Transformer và các cơ chế chú ý của nó hiện là công nghệ tiên tiến nhất để dự báo dữ liệu chuỗi thời gian phức tạp, thường vượt trội hơn các mô hình hồi tiếp cũ.

Phân biệt với các thuật ngữ liên quan#

Việc phân biệt Phân tích chuỗi thời gian với Mô hình hóa chuỗi và Thị giác máy tính là rất quan trọng.

• Chuỗi thời gian so với Mô hình hóa chuỗi: Mặc dù tất cả các chuỗi thời gian đều là chuỗi, nhưng không phải tất cả các chuỗi đều là chuỗi thời gian. Xử lý ngôn ngữ tự nhiên (NLP) xử lý các chuỗi từ trong đó thứ tự là quan trọng, nhưng yếu tố "thời gian" là trừu tượng. Phân tích chuỗi thời gian ngụ ý cụ thể rằng dữ liệu được lập chỉ mục theo thời gian.
• Chuỗi thời gian so với Thị giác máy tính: CV xử lý việc diễn giải các đầu vào trực quan (pixel). Tuy nhiên, các kỹ thuật như Hiểu video thu hẹp khoảng cách bằng cách thêm một chiều thời gian vào phân tích trực quan, thường sử dụng Transformers để hiểu cách nội dung trực quan thay đổi theo thời gian.