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 تسلسل نقاط البيانات التي تم جمعها على مدار الوقت. ويتمثل الهدف الأساسي في فهم الأنماط الأساسية والاتجاهات والموسمية والمكونات الدورية داخل البيانات لاتخاذ قرارات أو تنبؤات مستنيرة بشأن المستقبل. هذه التقنية أساسية في مختلف المجالات، حيث تستفيد من البيانات التاريخية للتنبؤ بالقيم المستقبلية. وهو مجال متخصص في مجال التعلم الآلي (ML) يركز تحديدًا على البيانات ذات الترتيب الزمني.
يتضمن فهم بيانات السلاسل الزمنية تحديد عدة مكونات رئيسية:
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.
يتم استخدام تقنيات مختلفة لتحليل السلاسل الزمنية:
تحليل السلاسل الزمنية أمر بالغ الأهمية في العديد من تطبيقات الذكاء الاصطناعي وتعلم الآلة:
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.