Time Series Analysis

时间序列分析是一种专门用于分析在一段时间内收集的一系列数据点的方法。在此过程中，分析人员会在规定时间段内以一致的间隔记录数据点，而不是间歇性或随机地记录数据点。与标准图像分类所使用的静态数据集不同，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。

核心组成部分和技术#

要有效分析基于时间的数据，实践人员必须识别构成信号的不同组成部分。

• **趋势分析：**这涉及识别数据的长期发展方向。例如，线性回归常用于建模数年间销售额总体上升还是下降。
• **季节性检测：**许多数据集会呈现每年重复出现的规律性、可预测变化。零售商使用季节性分析来应对节假日销售高峰或与天气相关的购买习惯。
• **平稳性：**如果时间序列的统计属性（如均值和方差）不随时间变化，则称其为平稳序列。Dickey-Fuller 检验等技术有助于确定数据在建模前是否需要进行变换。
• **噪声估计：**随机变化或“白噪声”可能会掩盖真实模式。高级滤波方法或自编码器可用于将有意义的信号与随机波动分离。

真实世界中的 AI/ML 应用#

对于需要准确预测以优化运营并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：**零售商利用零售业中的 AI预测库存需求。通过分析过往销售的时间序列数据，企业可以优化供应链，减少库存积压和缺货。Facebook Prophet等工具常用于处理零售数据中显著的季节性影响。
• **医疗生命体征监测：**在医疗领域，医疗领域中的 AI系统会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历史基线，便立即向医务人员发出警报，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器的振动或温度数据。通过应用制造业中的 AI，企业可以在设备发生故障前预测故障，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计算机视觉（CV）——后者专注于图像等空间数据——但这两个领域经常交汇。CV 模型可以处理视频流，生成时间序列数据。例如，运行在交通摄像头上的目标计数系统会生成每分钟车辆数量的连续计数。

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

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")

对于管理数据集以及训练用于这些流程的模型，用户可以利用Ultralytics Platform，从标注到部署简化整个工作流程。

现代神经网络架构#

ARIMA（自回归积分滑动平均）等传统统计方法仍然广受欢迎，但现代深度学习（DL）引入了功能强大的替代方案。

• **循环神经网络（RNNs）：**循环神经网络专为序列数据设计，循环神经网络（RNN）会保留先前输入的“记忆”，因此适合处理短期依赖关系。
• **长短期记忆（LSTM）：**为了解决标准 RNNs 在记忆长序列方面的局限性，长短期记忆（LSTM）架构使用门控机制控制信息流，从而有效地建模长期时间依赖关系。
• Transformer：Transformer架构最初为文本构建，其注意力机制如今已成为预测复杂时间序列数据的先进方法，通常优于较早的循环模型。

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）处理的是词语序列，其中顺序很重要，但“时间”这一要素是抽象的。时间序列分析特指数据按时间建立索引。
• **时间序列与计算机视觉：**CV 处理对视觉输入（像素）的解读。然而，视频理解等技术通过为视觉分析增加时间维度弥合了这一差距，并经常使用Transformers来理解视觉内容随时间的变化。