تحليل السلاسل الزمنية

المفاهيم الأساسية

يتضمن فهم بيانات السلاسل الزمنية تحديد عدة مكونات رئيسية:

1. الاتجاه: الزيادة أو النقصان طويل الأجل في البيانات.
2. الموسمية: الأنماط التي تتكرر خلال فترة محددة، مثل التقلبات اليومية أو الأسبوعية أو السنوية.
3. الدورات: تقلبات طويلة الأجل ليست محددة المدة، وغالبًا ما تكون مرتبطة بالظروف الاقتصادية أو التجارية.
4. الضوضاء/عدم الانتظام: الاختلافات العشوائية وغير المتوقعة في البيانات التي تبقى بعد حساب الاتجاه والموسمية والدورات.

يتطلب التحليل الفعال في كثير من الأحيان تقنيات المعالجة المسبقة للبيانات، بما في ذلك التعامل مع القيم المفقودة وربما تحويل البيانات لتحقيق الثبات (حيث تظل الخصائص الإحصائية مثل المتوسط والتباين ثابتين بمرور الوقت)، وهو شرط لبعض النماذج التقليدية مثل ARIMA.

التقنيات والنماذج

يتم استخدام تقنيات مختلفة لتحليل السلاسل الزمنية:

• الأساليب الكلاسيكية: تشمل المتوسطات المتحركة، والتنعيم الأسي (مثل Holt-Winters)، ونماذج المتوسط المتحرك المتكامل الانحداري الذاتي الانحدار (ARIMA). هذه مناهج إحصائية راسخة.
• نماذج التعلم الآلي: يمكن تكييف تقنيات مثل الغابات العشوائية أو التعزيز المتدرج (على سبيل المثال، XGBoost) للتنبؤ بالسلاسل الزمنية، وغالبًا ما يتم ذلك عن طريق إنشاء ميزات متأخرة.
• نماذج التعلم العميق: بالنسبة للأنماط المعقدة، يوفر التعلم العميق (DL) أدوات قوية. وقد صُممت الشبكات العصبية المتكررة (RNNs)، بما في ذلك الشبكات العصبية المتكررة، بما في ذلك وحدات التعلّم العميق LSTMs ووحدات GRU، للتعامل مع البيانات المتسلسلة. وفي الآونة الأخيرة، أظهرت بنيات المحولات، التي تم تطويرها في البداية لمعالجة اللغات الطبيعية (NLP)، أداءً قويًا في مهام السلاسل الزمنية. أطر مثل PyTorch تُستخدم عادةً لبناء هذه النماذج.

تطبيقات العالم الحقيقي في الذكاء الاصطناعي/التعلم الآلي

تحليل السلاسل الزمنية أمر بالغ الأهمية في العديد من تطبيقات الذكاء الاصطناعي وتعلم الآلة:

1. التنبؤ المالي: التنبؤ بأسعار الأسهم أو أسعار صرف العملات أو مبيعات الشركات بناءً على البيانات المالية التاريخية. تقوم الخوارزميات بتحليل اتجاهات السوق السابقة والموسمية للتنبؤ بالتحركات المستقبلية، مما يساعد استراتيجيات الاستثمار والتخطيط المالي. استكشف المزيد عن الذكاء الاصطناعي في المجال المالي.
2. التنبؤ بالطلب: يستخدم بائعو التجزئة تحليل السلاسل الزمنية للتنبؤ بالطلب على المنتجات، وتحسين إدارة المخزون وسلاسل التوريد. وبالمثل، تتنبأ شركات الطاقة بالطلب على الكهرباء لضمان استقرار الشبكة وتخصيص الموارد بكفاءة، ودعم جهود الاستدامة في مجال الطاقة المتجددة. انظر أمثلة من إدارة معلومات الطاقة الأمريكية (EIA).

على الرغم من اختلافها عن مهام الرؤية الحاسوبية (CV) مثل اكتشاف الأجسام أو تجزئة الصور التي تقوم بها نماذج مثل Ultralytics YOLO إلا أن مفاهيم السلاسل الزمنية يمكن أن تتقاطع في تحليل الفيديو حيث يتم تحليل تسلسل الإطارات على مدار الوقت، على الرغم من أنها غالبًا ما تتضمن نماذج مكانية زمانية بدلاً من أساليب السلاسل الزمنية البحتة. وغالباً ما تتضمن إدارة دورة حياة هذه النماذج مبادئ عمليات التعلم الآلي (MLOps) ومنصات مثل Ultralytics HUB للتجريب والنشر. كما تحظى أدوات مثل مكتبة Meta's Prophet بشعبية كبيرة في مهام التنبؤ.