Time Series Analysis

Phân tích chuỗi thời gian là một phương pháp cụ thể để phân tích chuỗi các điểm dữ liệu được thu thập trong một khoảng thời gian. Trong quá trình này, các nhà phân tích ghi lại các điểm dữ liệu tại các khoảng thời gian nhất quán trong một giai đoạn xác định thay vì chỉ ghi lại các điểm dữ liệu một cách không liên tục hoặc ngẫu nhiên. Không giống như các tập dữ liệu tĩnh được sử dụng cho Phân loại hình ảnh tiêu chuẩn, dữ liệu chuỗi thời gian bổ sung thêm 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 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.

Link to this sectionCác 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 dài hạn của dữ liệu. Ví dụ, Hồi quy tuyến tính thường được sử dụng để mô hình hóa xem doanh số bán hàng có xu hướng tăng hay giảm trong vài năm.
• Phát hiện tính mùa vụ: Nhiều tập dữ liệu thể hiện những thay đổi có thể dự đoán được và định kỳ tái diễn mỗi năm dương lịch. Các nhà bán lẻ sử dụng phân tích tính mùa vụ để chuẩn bị cho các đợt tăng trưởng vào kỳ nghỉ lễ hoặc các thói quen mua sắm liên quan đến thời tiết.
• Tính dừng: Một chuỗi thời gian được coi là dừng nếu các đặc 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 thể ngẫu nhiên hoặc "nhiễu trắng" có thể che khuất các mẫu thực sự. Các kỹ thuật lọc nâng cao hoặc Autoencoder được sử dụng để tách biệt các tín hiệu có ý nghĩa khỏi các biến động ngẫu nhiên.

Link to this sectionCác 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 nhu cầu hàng tồn kho. Bằng cách phân tích dữ liệu chuỗi thời gian của doanh số bán hàng trong quá khứ, các doanh nghiệp có thể tối ưu hóa chuỗi cung ứng, giảm thiểu cả tình trạng dư thừa và thiếu hụt hàng hóa. Các công cụ như Facebook Prophet thường được sử dụng để xử lý các hiệu ứng mùa vụ mạnh mẽ thường thấy trong dữ liệu bán lẻ.
• Giám sát chỉ số sức khỏe: Trong lĩnh vực y tế, các hệ thống AI trong y tế liên tục theo dõi 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 lập tức cho nhân viên y tế nếu các chỉ số của bệnh nhân lệch khỏi đường cơ sở lịch sử bình thường, từ 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 nó xảy ra, giúp giảm thiểu thời gian ngừng hoạt động.

Link to this sectionTạo chuỗi thời gian từ thị giác máy tính#

Mặc dù phân tích chuỗi thời gian khác biệt với Thị giác máy tính (CV)—vốn tập trung vào dữ liệu không gian như hình ảnh—hai lĩnh vực này thường giao thoa với nhau. Một model 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 số lượng xe theo trình tự mỗi phút.

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

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 tập dữ liệu và huấn luyện các model đưa vào các quy trình này, người dùng có thể tận dụng Ultralytics Platform, nền tảng giúp đơn giản hóa quy trình từ gắn nhãn đến triển khai.

Link to this sectionCác kiến trúc thần kinh hiện đại#

Các phương pháp thống kê truyền thống như ARIMA (AutoRegressive Integrated Moving Average) vẫn phổ biến, nhưng Deep Learning (DL) hiện đại đã giới thiệu những phương pháp thay thế mạnh mẽ.

• Mạng thần kinh tái phát (RNN): Được thiết kế đặc biệt cho dữ liệu tuần tự, Mạng thần kinh tái phát (RNN) duy trì một "bộ nhớ" về các đầu vào trước đó, giúp nó phù hợp với các phụ thuộc ngắn hạn.
• Long Short-Term Memory (LSTM): Để giải quyết các hạn chế của RNN tiêu chuẩn trong việc ghi nhớ các chuỗi dài, kiến trúc Long Short-Term Memory (LSTM) sử dụng các cổng để kiểm soát luồng thông tin, giúp mô hình hóa các phụ thuộc thời gian dài hạn một cách hiệu quả.
• Transformers: Ban đầu được xây dựng cho văn bản, kiến trúc Transformer và các cơ chế chú ý (attention mechanisms) 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 tái phát cũ.

Link to this sectionPhân 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: Trong khi tất cả chuỗi thời gian đều là chuỗi, không phải tất cả các chuỗi đều là chuỗi thời gian. Xử lý ngôn ngữ tự nhiên (NLP) xử lý các chuỗi từ ngữ trong đó thứ tự rất quan trọng, nhưng yếu tố "thời gian" mang tính trừu tượng. Phân tích chuỗi thời gian chỉ rõ rằng dữ liệu được đánh chỉ mục theo thời gian.
• Chuỗi thời gian so với Thị giác máy tính: CV xử lý việc diễn giải các đầu vào hình ảnh (pixel). Tuy nhiên, các kỹ thuật như Video Understanding thu hẹp khoảng cách này bằng cách thêm một chiều thời gian vào phân tích hình ảnh, thường sử dụng Transformers để hiểu cách nội dung hình ảnh thay đổi theo thời gian.