تحليل السلاسل الزمنية

تحليل السلاسل الزمنية هو طريقة محددة لتحليل سلسلة من نقاط البيانات التي تم جمعها على مدار فترة زمنية. في هذه العملية، يسجل المحللون نقاط البيانات على فترات زمنية ثابتة خلال فترة محددة بدلاً من مجرد تسجيل نقاط البيانات بشكل متقطع أو عشوائي. على عكس مجموعات البيانات الثابتة المستخدمة في تصنيف الصور القياسي، تضيف بيانات السلاسل الزمنية بعدًا زمنيًا، مما يعني أن ترتيب البيانات أمر بالغ الأهمية لفهم الأنماط الأساسية. هذه التقنية أساسية لتحليل البيانات وتستخدم على نطاق واسع لتوقع الأحداث المستقبلية بناءً على الاتجاهات التاريخية.

المكونات والتقنيات الأساسية

لتحليل البيانات الزمنية بفعالية، يجب على الممارسين تحديد المكونات المتميزة التي تشكل الإشارة.

• تحليل الاتجاهات: يتضمن تحديد الاتجاه طويل الأجل للبيانات. على سبيل المثال، غالبًا ما يستخدم الانحدار الخطي لنمذجة ما إذا كانت المبيعات تزداد أو تنخفض بشكل عام على مدى عدة سنوات.
• الكشف عن الموسمية: تظهر العديد من مجموعات البيانات تغيرات منتظمة ويمكن التنبؤ بها تتكرر كل سنة تقويمية. يستخدم تجار التجزئة تحليل الموسمية للاستعداد لارتفاعات العطلات أو عادات الشراء المرتبطة بالطقس.
• الثبات: يُقال إن السلسلة الزمنية ثابتة إذا كانت خصائصها الإحصائية، مثل المتوسط والتباين، لا تتغير بمرور الوقت. تساعد تقنيات مثل اختبار ديكي-فولر في تحديد ما إذا كانت البيانات تحتاج إلى تحويل قبل النمذجة.
• تقدير الضوضاء: يمكن أن تحجب التغيرات العشوائية أو "الضوضاء البيضاء" الأنماط الحقيقية. يتم استخدام التصفية المتقدمة أو أجهزة التشفير التلقائي لفصل الإشارات ذات المعنى عن التقلبات العشوائية.

تطبيقات الذكاء الاصطناعي/تعلم الآلة الواقعية

يعد تحليل السلاسل الزمنية أمرًا بالغ الأهمية للصناعات التي تتطلب تنبؤًا دقيقًا لتحسين العمليات وتقليل المخاطر.

• توقعات الطلب في تجارة التجزئة: يستخدم تجار التجزئة الذكاء الاصطناعي في تجارة التجزئة للتنبؤ بمتطلبات المخزون. من خلال تحليل بيانات السلاسل الزمنية للمبيعات السابقة، يمكن للشركات تحسين سلاسل التوريد، مما يقلل من فائض المخزون ونفاده . غالبًا ما يتم استخدام أدوات مثل Facebook Prophet للتعامل مع التأثيرات الموسمية القوية التي تظهر في بيانات تجارة التجزئة.
• مراقبة المؤشرات الحيوية للرعاية الصحية: في المجال الطبي، تقوم أنظمة الذكاء الاصطناعي في الرعاية الصحية بمراقبة المؤشرات الحيوية للمرضى باستمرار، مثل معدل ضربات القلب وضغط الدم. يمكن لخوارزميات السلاسل الزمنية إجراء الكشف عن الحالات الشاذة لتنبيه الطاقم الطبي على الفور إذا انحرفت قياسات المريض عن خط الأساس التاريخي الطبيعي، مما قد ينقذ الأرواح.
• الصيانة التنبؤية: تستخدم مصانع الإنتاج أجهزة استشعار لجمع بيانات الاهتزازات أو درجات الحرارة من الآلات على مدار الوقت. من خلال تطبيق الذكاء الاصطناعي في التصنيع، يمكن للشركات التنبؤ بأعطال المعدات قبل حدوثها، مما يقلل من وقت التعطل.

توليد السلاسل الزمنية من الرؤية الحاسوبية

على الرغم من أن تحليل السلاسل الزمنية يختلف عن الرؤية الحاسوبية (CV)— التي تركز على البيانات المكانية مثل الصور — إلا أن هذين المجالين غالبًا ما يتقاطعان. يمكن لنموذج CV معالجة تدفقات الفيديو لإنشاء بيانات سلاسل زمنية. على سبيل المثال، ينتج نظام عد الكائنات الذي يعمل على كاميرا مرور عددًا متسلسلًا للسيارات في الدقيقة.

يوضح المثال التالي كيفية استخدام Ultralytics track في مقطع فيديو، وتحويل البيانات المرئية بشكل فعال إلى سلسلة زمنية لعدد الكائنات.

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")

لإدارة مجموعات البيانات ونماذج التدريب التي تغذي هذه الخطوط، يمكن للمستخدمين الاستفادة من Ultralytics التي تبسط سير العمل من التعليق التوضيحي إلى النشر.

الهياكل العصبية الحديثة

لا تزال الأساليب الإحصائية التقليدية مثل ARIMA (المتوسط المتحرك المتكامل التلقائي) شائعة، ولكن التعلم العميق (DL) الحديث قد قدم بدائل قوية.

• الشبكات العصبية المتكررة (RNNs): مصممة خصيصًا للبيانات المتسلسلة، تحتفظ الشبكة العصبية المتكررة (RNN) بـ"ذاكرة" للمدخلات السابقة، مما يجعلها مناسبة للتبعيات قصيرة المدى.
• الذاكرة القصيرة المدى الطويلة (LSTM): لمعالجة قيود شبكات RNN القياسية في تذكر التسلسلات الطويلة ، تستخدم بنية الذاكرة القصيرة المدى الطويلة (LSTM) بوابات للتحكم في تدفق المعلومات، مما يؤدي إلى نمذجة فعالة للتبعيات الزمنية طويلة المدى.
• المحولات: صُممت في الأصل للنصوص، أصبحت بنية المحولات وآليات الانتباه الخاصة بها الآن من أحدث التقنيات المستخدمة في التنبؤ ببيانات السلاسل الزمنية المعقدة، وغالبًا ما تتفوق في أدائها على النماذج المتكررة القديمة.

التمييز عن المصطلحات ذات الصلة

من المهم التفريق بين تحليل السلاسل الزمنية ونمذجة التسلسل الزمني و الرؤية الحاسوبية.

• السلسلة الزمنية مقابل نمذجة التسلسل: في حين أن جميع السلاسل الزمنية هي تسلسلات، فإن التسلسلات ليست جميعها سلاسل زمنية. تتعامل معالجة اللغة الطبيعية (NLP) مع تسلسلات الكلمات التي يكون فيها الترتيب مهمًا، ولكن عنصر "الوقت" يكون مجردًا. يشير تحليل السلاسل الزمنية على وجه التحديد إلى أن البيانات يتم فهرستها حسب الوقت.
• السلسلة الزمنية مقابل الرؤية الحاسوبية: تتعامل الرؤية الحاسوبية مع تفسير المدخلات البصرية (البيكسلات). ومع ذلك، تقنيات مثل فهم الفيديو تسد الفجوة عن طريق إضافة بُعد زمني إلى التحليل البصري، غالبًا باستخدام المحولات لفهم كيفية تغير المحتوى البصري بمرور الوقت.