时间序列分析

时间序列分析是一种统计技术，用于分析在连续、等距的时间间隔内收集、记录或观察到的一连串数据点。 在连续、等间距的时间间隔内观察到的数据点序列。与静态数据集不同，静态数据集的观察顺序可能并不重要。 不同，时间序列数据在很大程度上依赖于时间顺序来识别潜在结构，如趋势、季节性和周期性。 趋势、季节性和循环模式。这种方法是 预测建模的基石，使数据科学家 和工程师根据历史行为预测未来事件。它被广泛应用于各个领域、 从跟踪股市波动到监控 数据中心安全 指标。

关键组件和技术

要有效解读随时间变化的数据，分析人员必须将序列分解为各个组成部分。 了解这些组成部分对于选择正确的 机器学习 (ML)架构至关重要。

• 趋势分析：这包括确定数据的长期方向，是增加、减少还是保持稳定。 增加、减少还是保持稳定。例如 气候变化监测 就依靠趋势分析来track 几十年来全球气温的上升情况。
• 季节性和周期：许多数据集在特定时间间隔内会出现重复变化，例如 节假日销售高峰或每日温度波动。 傅立叶变换是一种数学工具，常用于 识别这些基于频率的模式。
• 噪音和不规则性：不遵循模式的随机变化被视为噪音。 先进的深度学习（DL）模型旨在 过滤掉这些噪音，从而专注于重要信号。

虽然传统的统计方法，如 ARIMA（自回归整合移动平均法）等传统统计方法依然流行、 现代人工智能方法利用 递归神经网络 (RNN)和 长短期记忆（LSTM）网络。 这些架构经过专门设计，可以记住连续数据中的长期依赖关系。

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。

• 零售业的需求预测：零售商利用 零售业中的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，减少库存过剩和 缺货。经常使用Facebook Prophet等工具来 处理零售数据中出现的强烈季节性影响。
• 医疗保健生命体征监测：在医疗领域、 人工智能医疗系统可持续监测 心率和血压等患者生命体征。时间序列算法可以执行 异常检测，以便在病人的指标偏离 如果病人的指标偏离正常的历史基线，就会立即向医务人员发出警报，从而挽救生命。
• 预测性维护：制造工厂使用传感器收集机器在一段时间内的振动或温度数据 传感器收集机器的振动或温度数据。通过将 人工智能在制造业中的应用 设备故障，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

虽然时间序列分析有别于 计算机视觉 (CV)- 侧重于空间数据（如图像 计算机视觉（CV）侧重于空间数据（如图像），但这两个领域经常会有交叉。CV 模型可以处理视频流，生成时间序列数据。 例如，在交通摄像头上运行的物体计数系统 例如，在交通摄像头上运行的物体计数系统可生成每分钟汽车的连续计数。

下面的示例演示了如何使用 Ultralytics YOLO11track 视频中的物体，有效地 将可视数据转换为对象计数的时间序列。

from ultralytics import YOLO

# Load the YOLO11 model for object tracking
model = YOLO("yolo11n.pt")

# Track objects in a video stream (generates time-series data)
# The 'stream=True' argument returns a generator for memory efficiency
results = model.track("path/to/traffic_video.mp4", 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")

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：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。 序列。 自然语言处理（NLP） 自然语言处理（NLP）处理的是单词序列，其中顺序很重要，但 "时间 "元素是抽象的。时间序列 时间序列分析特别意味着数据是以时间为索引的。
• 时间序列与计算机视觉：计算机视觉处理的是对视觉输入（像素）的解释。然而 视频理解等技术通过增加视觉分析的时间维度 等技术为视觉分析添加了时间维度，通常使用 变换器来理解视觉内容如何随时间 随时间的变化。

工具和资源

从业人员可以使用多种软件进行时间序列分析。数据处理 Pandas是Python 的行业标准。在建立预测模型方面 库（如Scikit-learn ）提供了基本的回归工具，而 框架，如 PyTorch和 TensorFlow等框架对于训练复杂的深度 LSTM 或 Transformers 等复杂的深度学习模型。将结果可视化、 数据可视化库，如 Matplotlib等数据可视化库是向利益相关者传达趋势不可或缺的工具。