Time Series Analysis

时间序列分析是一种专门的方法，用于分析在一段时间间隔内收集的一系列数据点。在这个过程中，分析人员在设定的周期内以一致的时间间隔记录数据点，而不是仅仅间歇性或随机地记录数据点。与用于标准图像分类的静态数据集不同，时间序列数据增加了一个时间维度，这意味着数据的顺序对于理解底层模式至关重要。这项技术是数据分析的基础，并广泛用于根据历史趋势预测未来事件。

核心组件与技术#

为了有效地分析基于时间的数据，从业者必须识别构成信号的独特组件。

• **趋势分析：**这涉及识别数据的长期方向。例如，线性回归通常用于模拟销售额在几年内总体上是在增长还是在下降。
• **季节性检测：**许多数据集表现出每年重复的规则、可预测的变化。零售商使用季节性分析来为假期的销售高峰或与天气相关的购买习惯做准备。
• **平稳性：**如果时间序列的统计属性（如均值和方差）不随时间改变，则称该时间序列是平稳的。迪基-富勒检验等技术有助于确定数据在建模之前是否需要转换。
• **噪声估计：**随机变化或“白噪声”可能会掩盖真正的模式。高级过滤或自编码器用于将有意义的信号与随机波动分离开来。

现实世界中的 AI/ML 应用#

对于需要准确预测以优化运营和降低风险的行业而言，时间序列分析至关重要。

• **零售需求预测：**零售商利用零售人工智能来预测库存需求。通过分析过去销售的时间序列数据，企业可以优化供应链，减少过量库存和缺货情况。像Facebook Prophet这样的工具经常被用来处理零售数据中明显的季节性影响。
• **医疗生命体征监测：**在医疗领域，医疗人工智能系统持续监测患者的心率和血压等生命体征。时间序列算法可以执行异常检测，如果患者的指标偏离其正常的历史基线，则立即向医务人员发出警报，这可能会挽救生命。
• **预测性维护：**制造厂使用传感器随着时间的推移收集机械的振动或温度数据。通过应用制造人工智能，公司可以在设备发生故障之前对其进行预测，从而最大限度地减少停机时间。

从计算机视觉生成时间序列#

虽然时间序列分析不同于侧重于图像等空间数据的计算机视觉 (CV)，但这两个领域经常会有所交集。计算机视觉模型可以处理视频流以生成时间序列数据。例如，在交通摄像头上运行的目标计数系统会产生每分钟汽车数量的序列计数。

以下示例演示了如何使用Ultralytics YOLO26来跟踪视频中的目标，从而有效地将视觉数据转换为目标计数的时间序列。

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")

为了管理数据集和训练输入到这些管道中的模型，用户可以利用Ultralytics 平台，它简化了从标注到部署的工作流。

现代神经网络架构#

像自回归综合移动平均模型 (ARIMA)这样的传统统计方法仍然很受欢迎，但现代深度学习 (DL)引入了强大的替代方案。

• **循环神经网络 (RNN)：**专为序列数据设计，循环神经网络 (RNN)保持了对先前输入的“记忆”，使其适用于短期依赖关系。
• **长短期记忆网络 (LSTM)：**为了解决标准 RNN 在记住长序列方面的局限性，长短期记忆网络 (LSTM)架构使用门控来控制信息流，从而有效地对长期时间依赖关系进行建模。
• **Transformer：**最初为文本构建的Transformer架构及其注意力机制现在是预测复杂时间序列数据的最先进技术，通常表现得比旧的循环模型更好。

与相关术语的区别#

区分 时间序列分析、序列建模 和 计算机视觉 非常重要。

• **时间序列与序列建模：**虽然所有时间序列都是序列，但并非所有序列都是时间序列。自然语言处理 (NLP)处理的是顺序很重要的单词序列，但“时间”元素是抽象的。时间序列分析具体意味着数据是按时间进行索引的。
• **时间序列与计算机视觉：**计算机视觉处理的是解释视觉输入（像素）。然而，视频理解等技术通过为视觉分析添加时间维度弥合了这一差距，通常使用Transformer来理解视觉内容随时间的变化方式。