Phân tích chuỗi thời gian

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 nhất định. Trong quá trình này, các nhà phân tích ghi lại các điểm dữ liệu theo những khoảng thời gian đều đặn trong một khoảng thời gian nhất định, thay vì chỉ ghi lại các điểm dữ liệu một cách gián đoạn 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 chiều thời gian, có nghĩa là thứ tự của dữ liệu rất quan trọng để hiểu được các mô hình 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 dữ liệu theo thời gian một cách hiệu quả, người thực hành cần xác định các thành phần riêng biệt tạo nên tín hiệu đó.

• 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 nói chung đang tăng hay giảm trong vài năm.
• Phát hiện tính mùa vụ: Nhiều bộ dữ liệu thể hiện những thay đổi đều đặn, có thể dự đoán được và lặp lại hàng năm. Các nhà bán lẻ sử dụng phân tích tính mùa vụ để chuẩn bị cho những đợt tăng đột biến trong dịp lễ hoặc thói quen mua sắm liên quan đến thời tiết.
• Tính ổn định: Một chuỗi thời gian được gọi là ổn định 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 được biến đổi trước khi lập mô hình hay không.
• Ước lượng nhiễu: Các biến đổi ngẫu nhiên hoặc "nhiễu trắng" có thể che khuất các mẫu thực sự. Bộ lọc nâng cao hoặc bộ mã hóa tự động (Autoencoder) được sử dụng để tách các tín hiệu có ý nghĩa khỏi các biến động ngẫu nhiên.

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 ngành bán lẻ: Các nhà bán lẻ sử dụng trí tuệ nhân tạo (AI) để dự đoán nhu cầu tồn kho. Bằng cách phân tích dữ liệu chuỗi thời gian về doanh số bán hàng trong quá khứ, doanh nghiệp có thể tối ưu hóa chuỗi cung ứng, giảm cả 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 thường thấy trong dữ liệu bán lẻ.
• Giám sát các chỉ số sinh học trong chăm sóc sức khỏe: Trong lĩnh vực y tế, trí tuệ nhân tạo (AI) trong các hệ thống chăm sóc sức khỏe liên tục giám sát các chỉ số sinh học 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 mức cơ sở bình thường trong quá khứ, từ đó có thể 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 từ máy móc theo thời gian. Bằng cách áp dụng trí tuệ nhân tạo (AI) trong 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 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 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 tuần tự mỗi phút.

Ví dụ sau đây minh họa cách sử dụng Ultralytics YOLO26 để track các đối tượng trong video, 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 mô hình huấn luyện cung cấp dữ liệu cho các quy trình này, người dùng có thể tận dụng Nền tảng Ultralytics , giúp đơn giản hóa quy trình làm việc từ khâu chú thích đến triển khai.

Kiến trúc mạng thần kinh hiện đại

Các phương pháp thống kê truyền thống như ARIMA (AutoRegressive Integrated Moving Average) vẫn phổ biến, nhưng Học sâu (Deep Learning - DL) hiện đại đã mang đến những giải pháp thay thế mạnh mẽ.

• Mạng nơ-ron hồi quy (RNN): Được thiết kế đặc biệt cho dữ liệu tuần tự, mạng nơ-ron hồi quy (RNN) duy trì "bộ nhớ" của các đầu vào trước đó, do đó phù hợp với các phụ thuộc ngắn hạn.
• Mạng nơ-ron dài hạn ngắn hạn (LSTM): Để khắc phục những hạn chế của mạng nơ-ron hồi quy (RNN) tiêu chuẩn trong việc ghi nhớ các chuỗi dài, kiến ​​trúc LSTM sử dụng các cổng để kiểm soát luồng thông tin, mô hình hóa 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 chú ý của nó hiện là công nghệ tiên tiến nhất để dự báo dữ liệu chuỗi thời gian phức tạp, thường cho hiệu quả vượt trội so với các mô hình mạng nơ-ron hồi quy cũ.

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 .

• So sánh mô hình chuỗi thời gian và mô hình trình tự: Mặc dù tất cả chuỗi thời gian đều là trình tự, nhưng không phải tất cả trình tự đều là chuỗi thời gian. Xử lý ngôn ngữ tự nhiên (NLP) xử lý các trình tự từ mà thứ tự của chúng rất quan trọng, nhưng yếu tố "thời gian" lại mang tính trừu tượng. Phân tích chuỗi thời gian đặc biệt ngụ ý rằng dữ liệu được lập chỉ mục theo thời gian.
• So sánh chuỗi thời gian và thị giác máy tính: Thị giác máy tính tập trung vào việc diễn giải các đầu vào hình ảnh (pixel). Tuy nhiên, các kỹ thuật như hiểu video (Video Understanding) thu hẹp khoảng cách bằng cách thêm chiều thời gian vào phân tích hình ảnh, thường sử dụng Transformer để hiểu cách nội dung hình ảnh thay đổi theo thời gian.