مسرد المصطلحات

تحليل السلاسل الزمنية

أطلق العنان لقوة تحليل السلاسل الزمنية للتنبؤ بالاتجاهات واكتشاف الحالات الشاذة وتحسين تطبيقات الذكاء الاصطناعي/التعلم الآلي في مختلف الصناعات.

تحليل السلاسل الزمنية هو طريقة إحصائية تُستخدم لتحليل سلسلة من نقاط البيانات التي تم جمعها على مدار فترة زمنية. هذا النوع من البيانات، المعروف باسم بيانات السلاسل الزمنية، مرتب زمنيًا، مما يسمح للمحللين ونماذج التعلم الآلي (ML) بتحديد الأنماط الزمنية والاتجاهات والموسمية وغيرها من الهياكل القائمة على الزمن. وغالبًا ما يكون الهدف الأساسي هو فهم الأسباب الكامنة وراء هذه الأنماط أو إجراء التنبؤ - وهي عملية النمذجة التنبؤية لتقدير القيم المستقبلية. وهي حجر الزاوية في العديد من المجالات، بما في ذلك الاقتصاد والتمويل والأرصاد الجوية.

تطبيقات الذكاء الاصطناعي/التعلم الآلي في العالم الحقيقي

يعد تحليل السلاسل الزمنية أمرًا محوريًا في بناء أنظمة ذكية يمكنها توقع الأحداث المستقبلية بناءً على البيانات التاريخية.

  1. التنبؤ بالأسواق المالية: من أكثر التطبيقات شيوعًا في مجال التمويل، حيث يتنبأ المحللون بأسعار الأسهم وعوائد الأصول وتقلبات السوق. تقوم النماذج بتحليل بيانات الأسعار التاريخية من مصادر مثل بورصة نيويورك للأوراق المالية لتحديد الاتجاهات والأنماط الدورية التي يمكن أن تُنير استراتيجيات التداول. يمكن أن تتراوح هذه النماذج من الأساليب الإحصائية التقليدية إلى هياكل التعلم العميق المتقدمة.
  2. التنبؤ بالطلب في البيع بالتجزئة: تستفيد الشركات من تحليل السلاسل الزمنية للتنبؤ بال طلب لتحسين المخزون. من خلال تحليل بيانات المبيعات التاريخية، يمكن لتجار التجزئة التنبؤ بالذروات الموسمية (مثل التسوق في العطلات) والاتجاهات الأسبوعية، مما يضمن حصولهم على الكمية المناسبة من المخزون في الوقت المناسب. هذا عنصر أساسي لبناء ذكاء اصطناعي فعال في حلول البيع بالتجزئة.
  3. علوم الطقس والمناخ: يستخدم خبراء الأرصاد الجوية نماذج السلاسل الزمنية للتنبؤ بأحوال الطقس من خلال تحليل البيانات التاريخية عن درجات الحرارة والرطوبة وسرعة الرياح. وتعتمد منظمات مثل المنظمة العالمية للأرصاد الجوية على هذه التنبؤات من أجل السلامة العامة والتخطيط. وبالمثل، يقوم علماء المناخ بتحليل البيانات المناخية طويلة الأجل لنمذجة التغيرات البيئية واكتشاف الحالات الشاذة.
  4. مراقبة الرعاية الصحية: في مجال الذكاء الاصطناعي في الرعاية الصحية، يتم استخدام تحليل السلاسل الزمنية لمراقبة العلامات الحيوية للمريض مثل معدل ضربات القلب وضغط الدم من أجهزة الاستشعار القابلة للارتداء. يمكن أن يساعد تحليل هذه البيانات في الوقت الفعلي في الكشف المبكر عن المشاكل الصحية، مثل التنبؤ ببداية حدث قلبي من خلال تحليل بيانات إشارات تخطيط القلب.

تقنيات تحليل السلاسل الزمنية

تُستخدم مجموعة متنوعة من الأساليب لنمذجة بيانات السلاسل الزمنية، بدءًا من الأساليب الإحصائية الكلاسيكية وحتى الشبكات العصبية المعقدة.

  • النماذج الإحصائية: غالبًا ما تُستخدم هذه الطرق التقليدية كخطوط أساس وهي فعالة في مجموعات البيانات الأبسط.
    • نماذج ARIMA: تلتقط نماذج المتوسط المتحرك المتكامل الانحداري التلقائي المتكامل المعلومات من القيم السابقة والأخطاء المتوقعة في السلسلة.
    • التنعيم الأسي: تعطي هذه الطريقة وزنًا متناقصًا أسيًا للملاحظات الأقدم، مما يجعلها مناسبة للبيانات التي لا تحتوي على اتجاه أو موسمية واضحة.
  • نماذج التعلم الآلي: بالنسبة للأنماط الأكثر تعقيدًا وغير الخطية، يُفضل استخدام نماذج التعلم الآلي.

التمييز من مهام الرؤية الحاسوبية

في حين يركز تحليل السلاسل الزمنية على تسلسل نقاط البيانات الرقمية أو الفئوية على مدار الوقت، يتعامل تحليل الرؤية الحاسوبية مع تفسير المعلومات المرئية من الصور أو مقاطع الفيديو. تقوم مهام مثل اكتشاف الكائنات أو تجزئة الصور، والتي غالبًا ما يتم تنفيذها بواسطة نماذج مثل Ultralytics YOLO، بتحليل المحتوى المكاني داخل إطارات فردية أو ربط الكائنات عبر الإطارات(تتبع الكائنات).

على الرغم من أن تحليل الفيديو ينطوي بطبيعته على بُعد زمني (سلسلة من الإطارات)، إلا أن التقنيات المستخدمة غالبًا ما تختلف عن أساليب السلاسل الزمنية التقليدية. قد يستخدم تحليل الفيديو نماذج مكانية زمانية (مثل CNNs ثلاثية الأبعاد أو محولات الرؤية) التي تأخذ في الاعتبار كلاً من السمات المكانية وتغيراتها بمرور الوقت. ومع ذلك، يمكن لنظام السيرة الذاتية توليد بيانات السلاسل الزمنية. على سبيل المثال، يمكن لنظام لعدّ الكائنات في موجز فيديو أن ينتج سلسلة زمنية لعدد الأشخاص الذين يمرون عبر منطقة ما في الدقيقة الواحدة. يمكن بعد ذلك تحليل هذه المخرجات باستخدام تقنيات السلاسل الزمنية القياسية لتحليل الاتجاهات أو الكشف عن الحالات الشاذة.

الأدوات والموارد

يتضمن تطوير ونشر نماذج السلاسل الزمنية أدوات مختلفة. فإلى جانب مكتبات تعلّم الآلة مثل PyTorch و TensorFlow، توفر أدوات متخصصة مثل مكتبة Meta's Prophet قدرات تنبؤ سهلة الاستخدام. وغالبًا ما تتضمن إدارة دورة حياة هذه النماذج، بدءًا من التدريب على مجموعات البيانات المعيارية أو المخصصة (مثل تلك الموجودة في مكتبة بيانات السلاسل الزمنية) إلى التقييم ونشر النموذج، مبادئ عمليات التعلم الآلي (MLOps) ومنصات مثل Ultralytics HUB. بالنسبة لمصادر التعلم، توفر نصوص مثل "التنبؤ: المبادئ والممارسة" توفر إرشادات شاملة، وتستضيف منصات مثل Kaggle مسابقات السلاسل الزمنية للحصول على الخبرة العملية.

انضم إلى مجتمع Ultralytics

انضم إلى مستقبل الذكاء الاصطناعي. تواصل وتعاون ونمو مع المبتكرين العالميين

انضم الآن
تم نسخ الرابط إلى الحافظة