Phân tích chuỗi thời gian

Phân tích chuỗi thời gian là một kỹ thuật thống kê được sử dụng để phân tích chuỗi các điểm dữ liệu được thu thập, ghi lại hoặc quan sát tại các khoảng thời gian liên tiếp cách đều nhau. Không giống như các tập dữ liệu tĩnh, nơi thứ tự quan sát có thể không quan trọng, dữ liệu chuỗi thời gian phụ thuộc rất nhiều vào thứ tự thời gian để xác định các cấu trúc cơ bản như xu hướng, tính thời vụ và các mô hình tuần hoàn. Phương pháp này là nền tảng của mô hình dự đoán , cho phép các nhà khoa học dữ liệu và kỹ sư dự báo các sự kiện trong tương lai dựa trên các hành vi lịch sử. Nó được sử dụng rộng rãi trong nhiều lĩnh vực, từ theo dõi biến động thị trường chứng khoán đến giám sát các chỉ số bảo mật trung tâm dữ liệu .

Các thành phần và kỹ thuật chính

Để diễn giải dữ liệu theo thời gian một cách hiệu quả, các nhà phân tích phải phân tích chuỗi dữ liệu thành các thành phần cấu thành. Hiểu rõ các thành phần này là điều cần thiết để lựa chọn kiến trúc học máy (ML) phù hợp.

• Phân tích xu hướng : Điều này liên quan đến việc xác định hướng dài hạn của dữ liệu, liệu nó đang tăng, giảm hay ổn định. Ví dụ, việc theo dõi biến đổi khí hậu dựa vào phân tích xu hướng để track nhiệt độ toàn cầu tăng lên trong nhiều thập kỷ.
• Tính theo mùa và chu kỳ : Nhiều tập dữ liệu thể hiện các biến thể lặp lại theo các khoảng thời gian cụ thể, chẳng hạn như doanh số bán hàng tăng đột biến vào dịp lễ hoặc biến động nhiệt độ hàng ngày. Biến đổi Fourier là một công cụ toán học thường được sử dụng để xác định các mô hình dựa trên tần suất này.
• Nhiễu và Bất thường : Các biến thể ngẫu nhiên không tuân theo một khuôn mẫu nào được coi là nhiễu. Các mô hình học sâu (DL) nâng cao được thiết kế để lọc nhiễu này nhằm tập trung vào các tín hiệu quan trọng.

Trong khi các phương pháp thống kê truyền thống như ARIMA (Trung bình động tích hợp tự hồi quy) vẫn phổ biến, các phương pháp AI hiện đại tận dụng Mạng nơ-ron hồi quy (RNN) và Mạng bộ nhớ dài hạn ngắn hạn (LSTM) . Các kiến trúc này được thiết kế đặc biệt để ghi nhớ các mối quan hệ phụ thuộc dài hạn trong dữ liệu tuần tự.

Các ứng dụng AI/ML thực tế

Phân tích chuỗi thời gian rất quan trọng đối với các ngành công nghiệp 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 tồn kho. Bằng cách phân tích dữ liệu chuỗi thời gian của các giao dịch bán hàng trong quá khứ, doanh nghiệp có thể tối ưu hóa chuỗi cung ứng, giảm thiểu tình trạng tồn kho quá mức và hết hàng. Các công cụ như Facebook Prophet thường được sử dụng để xử lý các tác động mạnh theo mùa trong dữ liệu bán lẻ.
• Giám sát các chỉ số quan trọng trong chăm sóc sức khỏe : Trong lĩnh vực y tế, AI trong các hệ thống chăm sóc sức khỏe liên tục theo dõi các chỉ số quan trọng 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 nhân viên y tế ngay lập tức nếu các chỉ số của bệnh nhân lệch khỏi mức cơ sở thông thường, 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 rung động hoặc nhiệt độ từ máy móc theo thời gian. Bằng cách áp dụng AI vào sản xuất , các công ty có thể dự đoán sự cố 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 với Thị giác Máy tính (CV) — tập trung vào dữ liệu không gian như hình ảnh — nhưng hai lĩnh vực này thường giao thoa với nhau. Mô hình 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 sẽ tạo ra số lượng xe tuần tự mỗi phút.

Ví dụ sau đây minh họa cách sử dụng Ultralytics YOLO11 để track các đối tượng trong video, chuyển đổi dữ liệu hình ảnh thành chuỗi số lượng đối tượng theo thời gian.

from ultralytics import YOLO

# Load the YOLO11 model for object tracking
model = YOLO("yolo11n.pt")

# Track objects in a video stream (generates time-series data)
# The 'stream=True' argument returns a generator for memory efficiency
results = model.track("path/to/traffic_video.mp4", 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")

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 .

• Mô hình Chuỗi thời gian so với Mô hình Chuỗi : Mặc dù tất cả các chuỗi thời gian đều là chuỗi, nhưng không phải chuỗi nào cũng là chuỗi thời gian. Xử lý Ngôn ngữ Tự nhiên (NLP) xử lý các chuỗi từ trong đó thứ tự quan trọng, nhưng yếu tố "thời gian" lại mang tính 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 dữ liệu đầu vào trực quan (pixel). Tuy nhiên, các kỹ thuật như Hiểu video thu hẹp khoảng cách bằng cách thêm chiều thời gian vào phân tích trực quan, thường sử dụng Transformers để hiểu cách nội dung trực quan thay đổi theo thời gian.

Công cụ và Tài nguyên

Các chuyên gia có thể tiếp cận một loạt phần mềm để thực hiện phân tích chuỗi thời gian. Về mặt thao tác dữ liệu, Pandas là tiêu chuẩn công nghiệp trong Python Để xây dựng các mô hình dự đoán, các thư viện như Scikit-learn cung cấp các công cụ hồi quy cơ bản, trong khi các khung như PyTorch và TensorFlow rất cần thiết để huấn luyện các mô hình học sâu phức tạp như LSTM hoặc Transformer. Để trực quan hóa kết quả, các thư viện Trực quan hóa Dữ liệu như Matplotlib là không thể thiếu để truyền đạt xu hướng cho các bên liên quan.