时间序列分析

时间序列分析是一种特定方法，用于分析在一段时间内收集的数据点序列。在此过程中，分析师会在设定的周期内以一致的时间间隔记录数据点，而不是间歇性或随机地记录。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时间维度，这意味着数据的顺序对于理解其潜在模式至关重要。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。

核心组成部分与技术

为了有效分析基于时间的数据，实践者必须识别构成信号的独特组成部分。

• 趋势分析：这涉及识别数据的长期方向。例如， 线性回归常用于建模销售额在几年内是普遍增长还是下降。
• 季节性检测：许多数据集表现出每年重复出现的规律性、可预测的变化。 零售商利用季节性分析来为假日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特性（如均值和方差）不随时间变化，则称其为平稳的。 像迪基-福勒检验这样的技术有助于确定数据在建模前是否需要转换。
• 噪声估计：随机变动或“白噪声”会掩盖真实模式。高级滤波或 自编码器用于将有意义的信号与随机波动分离。

真实世界的AI/ML应用

时间序列分析对于需要准确预测以优化运营和降低风险的行业至关重要。 风险。

• 零售需求预测： 零售商利用 零售 AI 来预测库存需求。通过分析历史销售的时间序列数据，企业可以优化供应链，减少库存过剩和缺货。Facebook Prophet 等工具常用于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，医疗领域的 AI 系统持续监测患者的生命体征，如心率和血压。时间序列算法可以执行异常 detect，如果患者的指标偏离其正常的历史基线，立即提醒医务人员，从而可能挽救生命。
• 预测性维护： 制造工厂使用传感器随时间收集机械的振动或温度数据。通过应用 制造 AI，公司可以在设备故障发生前进行预测，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

尽管时间序列分析与计算机视觉 (CV)不同——后者侧重于图像等空间数据——但这两个领域经常交叉。CV模型可以处理视频流以生成时间序列数据。例如，运行在交通摄像头上的物体计数系统会生成每分钟车辆的序列计数。

以下示例演示了如何使用 Ultralytics YOLO26 在视频中 track 对象，有效地将视觉数据转换为对象计数的时间序列。

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这些管道中的模型，用户可以利用Ultralytics Platform，它简化了从标注到部署的工作流程。

现代神经网络架构

传统的统计方法，如ARIMA（自回归积分滑动平均模型）仍然很受欢迎，但现代深度学习 (DL)已经引入了强大的替代方案。

• 循环神经网络 (RNN)：专门为序列数据设计， 循环神经网络 (RNN) 保持对先前输入的“记忆”，使其适用于短期依赖关系。
• 长短期记忆网络 (LSTM)：为解决标准RNN在记忆长序列方面的局限性，长短期记忆网络 (LSTM)架构使用门控机制来控制信息流，从而有效地建模长期时间依赖性。
• Transformer：最初为文本设计， 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，通常优于旧的循环模型。

与相关术语的区别

必须将时间序列分析与序列建模和计算机视觉区分开来。 计算机视觉。

• 时间序列与序列建模： 并非所有序列都是时间序列，但所有时间序列都是序列。自然语言处理 (NLP) 处理词语序列，其中顺序很重要，但“时间”元素是抽象的。时间序列分析特指数据按时间索引。
• 时间序列与计算机视觉： 计算机视觉处理视觉输入（像素）的解释。然而，像 视频理解 这样的技术通过为视觉分析添加时间维度来弥合这一差距，通常使用 Transformers 来理解视觉内容如何随时间变化。