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 trong một khoảng thời gian. Trong quy trình này, các nhà phân tích ghi nhận các điểm dữ liệu theo những khoảng thời gian nhất quán trong một giai đoạn nhất định, thay vì chỉ ghi nhận dữ liệu ngắt quãng hoặc ngẫu nhiên. Không giống các tập dữ liệu tĩnh được sử dụng cho Phân loại hình ảnh, dữ liệu chuỗi thời gian bổ sung một chiều thời gian, nghĩa là thứ tự của dữ liệu đóng vai trò then chốt trong việc hiểu các pattern tiềm ẩn. Kỹ thuật này là nền tảng của 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 hiệu quả dữ liệu phụ thuộc vào thời gian, người thực hành phải xác định các thành phần riêng biệt cấu thành tín hiệu.

• Phân tích xu hướng: Hoạt động này nhằm xác định hướng diễn biến dài hạn của dữ liệu. Ví dụ, Hồi quy tuyến tính thường được sử dụng để mô hình hóa việc doanh số nhìn chung đang tăng hay giảm trong nhiều năm.
• Phát hiện tính mùa vụ: Nhiều tập dữ liệu thể hiện những thay đổi đều đặn, có thể dự đoán và lặp lại vào mỗi năm dương lịch. Các nhà bán lẻ sử dụng phân tích tính mùa vụ để chuẩn bị cho những 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 liệu dữ liệu có cần được biến đổi trước khi modeling hay không.
• Ước lượng nhiễu: Các biến thiên ngẫu nhiên hay "nhiễu trắng" có thể che khuất các pattern thực sự. Các bộ lọc nâng cao hoặc Autoencoder được sử dụng để tách tín hiệu có ý nghĩa khỏi những dao động ngẫu nhiên.

Các ứng dụng AI/ML trong thực tế#

Phân tích chuỗi thời gian đóng vai trò quan trọng trong 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 sử dụng AI trong bán lẻ để dự đoán nhu cầu hàng tồn kho. Bằng cách phân tích dữ liệu chuỗi thời gian về doanh số trong quá khứ, doanh nghiệp có thể tối ưu hóa chuỗi cung ứng, giảm cả tình trạng tồn kho dư thừa lẫn hết hàng. Các công cụ như Facebook Prophet thường được sử dụng để xử lý các hiệu ứng mùa vụ mạnh trong dữ liệu bán lẻ.
• Giám sát các chỉ số sinh tồn trong chăm sóc sức khỏe: Trong lĩnh vực y tế, các hệ thống AI trong chăm sóc sức khỏe liên tục theo dõi các chỉ số sinh tồn của bệnh nhân, chẳng hạn như nhịp tim và huyết áp. Các thuật toán chuỗi thời gian có thể thực hiện Phát hiện bất thường để lập tức cảnh báo nhân viên y tế nếu các chỉ số của bệnh nhân lệch khỏi baseline lịch sử thông thường, qua đó 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 về độ rung hoặc nhiệt độ của 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 xảy ra, qua đó giảm thiểu thời gian ngừng hoạt động.

Tạo chuỗi thời gian từ thị giác máy tính#

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

Ví dụ sau đây minh họa cách sử dụng Ultralytics YOLO26 để theo dõi các đối tượng trong video, qua đó chuyển đổi dữ liệu hình ảnh thành chuỗi thời gian về 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 huấn luyện các model cung cấp dữ liệu cho những pipeline này, người dùng có thể tận dụng Ultralytics Platform, giúp đơn giản hóa quy trình từ gán nhãn đến triển khai.

Các kiến trúc neural 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 mang đến những giải pháp thay thế mạnh mẽ.

• Mạng neural hồi quy (RNNs): Được thiết kế riêng cho dữ liệu tuần tự, một Mạng neural hồi quy (RNN) duy trì "bộ nhớ" về các đầu vào trước đó, nhờ đó phù hợp với các phụ thuộc ngắn hạn.
• Bộ nhớ dài-ngắn hạn (LSTM): Để khắc phục hạn chế của RNN tiêu chuẩn trong việc ghi nhớ các chuỗi dài, kiến trúc Bộ nhớ dài-ngắn hạn (LSTM) sử dụng các cổng để kiểm soát luồng thông tin, qua đó modeling hiệu quả các phụ thuộc thời gian dài hạn.
• Transformer: Ban đầu được xây dựng cho văn bản, kiến trúc Transformer và các cơ chế attention của nó hiện đạt hiệu năng tiên tiến nhất trong việc dự báo dữ liệu chuỗi thời gian phức tạp, thường vượt trội so với các model hồi quy cũ hơn.

Phân biệt với các thuật ngữ liên quan#

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

• Chuỗi thời gian và Mô hình hóa chuỗi: Mặc dù mọi chuỗi thời gian đều là chuỗi, không phải mọi chuỗi đều là chuỗi thời gian. Xử lý ngôn ngữ tự nhiên (NLP) xử lý các chuỗi từ, trong đó thứ tự có ý nghĩa, nhưng yếu tố "thời gian" mang tính trừu tượng. Phân tích chuỗi thời gian đặc biệt hàm ý rằng dữ liệu được lập chỉ mục theo thời gian.
• Chuỗi thời gian và Thị giác máy tính: CV tập trung vào việc diễn giải các đầu vào hình ảnh (pixel). Tuy nhiên, các kỹ thuật như Hiểu video giúp thu hẹp khoảng cách bằng cách bổ sung chiều thời gian vào phân tích hình ảnh, thường sử dụng Transformer để hiểu cách nội dung hình ảnh thay đổi theo thời gian.