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.
يعد تحليل السلاسل الزمنية أمرًا محوريًا في بناء أنظمة ذكية يمكنها توقع الأحداث المستقبلية بناءً على البيانات التاريخية.
تُستخدم مجموعة متنوعة من الأساليب لنمذجة بيانات السلاسل الزمنية، بدءًا من الأساليب الإحصائية الكلاسيكية وحتى الشبكات العصبية المعقدة.
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.
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.