Zeitreihenanalyse

Kernkonzepte

Um Zeitreihendaten zu verstehen, müssen mehrere Schlüsselkomponenten identifiziert werden:

• Trend: Der langfristige Anstieg oder Rückgang der Daten. Er zeigt die allgemeine Richtung der Reihe über einen längeren Zeitraum an.
• Saisonalität: Muster, die sich über einen festen und bekannten Zeitraum wiederholen (z. B. täglich, wöchentlich, jährlich). Die Umsätze im Einzelhandel weisen zum Beispiel häufig saisonale Schwankungen auf, mit Spitzenwerten während der Ferienzeiten. Saisonale Zerlegungstechniken helfen dabei, diese Muster zu isolieren.
• Zyklische Komponenten: Langfristige Schwankungen, die keinen festen Zeitraum haben und oft mit breiteren Wirtschafts- oder Geschäftszyklen zusammenhängen. Diese Zyklen laufen über längere Zeiträume, in der Regel länger als ein Jahr.
• Unregelmäßigkeit (Rauschen): Die zufälligen, unvorhersehbaren Schwankungen in den Daten, die nicht durch Trends, Saisonalität oder zyklische Komponenten erklärt werden.

Für eine effektive Analyse sind oft Techniken zur Datenvorverarbeitung erforderlich. Dazu gehören der Umgang mit fehlenden Werten, die Glättung der Daten mit Methoden wie dem gleitenden Durchschnitt und möglicherweise die Umwandlung der Daten, um Stationarität zu erreichen. Stationarität, bei der statistische Eigenschaften wie Mittelwert und Varianz über die Zeit konstant bleiben, ist eine gängige Anforderung für traditionelle Modelle wie ARIMA (Autoregressive Integrated Moving Average). Bibliotheken wie Pandas sind für die Datenmanipulation in diesem Zusammenhang unerlässlich.

Techniken und Modelle

Für die Zeitreihenanalyse werden verschiedene Techniken und Modelle eingesetzt, die von klassischen statistischen Methoden bis hin zu modernen Ansätzen des maschinellen Lernens reichen:

• Klassische Methoden: Dazu gehören gleitende Durchschnitte, Exponentialglättung (ETS) und ARIMA-Modelle. Diese werden oft mit statistischen Softwarebibliotheken wie Statsmodels in Python implementiert.
• Modelle des maschinellen Lernens: Techniken wie Random Forests und XGBoost können für Zeitreihenprognosen angepasst werden, indem sie oft verzögerte Merkmale erzeugen. Scikit-learn bietet Implementierungen für viele ML-Modelle.
• Deep Learning (DL) Modelle: Für komplexe, nicht lineare Muster sind Deep Learning-Architekturen sehr effektiv. Dazu gehören rekurrente neuronale Netze (RNNs), LSTM-Netze (Long Short-Term Memory), Gated Recurrent Units (GRUs) und Transformer-Modelle, die sich durch die Erfassung langfristiger Abhängigkeiten auszeichnen. Frameworks wie PyTorch und TensorFlow werden häufig für die Erstellung dieser DL-Modelle verwendet. Einige Forschungsarbeiten befassen sich auch mit Überschneidungen mit Techniken der natürlichen Sprachverarbeitung (NLP).

Reale Anwendungen in KI/ML

Die Zeitreihenanalyse ist in vielen KI- und ML-Anwendungen für die prädiktive Modellierung und die Erkennung von Anomalien entscheidend:

1. Finanzprognosen: In der KI im Finanzwesen sagen Zeitreihenmodelle Aktienkurse, Wechselkurse und Marktvolatilität auf der Grundlage historischer Kursbewegungen und Handelsvolumina voraus. Die akademische Forschung erforscht weiterhin fortschrittliche Modelle zur Marktvorhersage.
2. Energielastprognose: Energieversorgungsunternehmen nutzen Zeitreihenanalysen, um den Strombedarf vorherzusagen und so die Stromerzeugung und -verteilung zu optimieren. Genaue Prognosen helfen dabei, Ressourcen effizient zu verwalten und tragen zu den Bemühungen um Nachhaltigkeit im Bereich der erneuerbaren Energien bei. Organisationen wie die U.S. Energy Information Administration (EIA) stellen öffentliche Energieprognosen zur Verfügung.
3. Absatzprognosen für den Einzelhandel: Unternehmen prognostizieren künftige Produktverkäufe, um Bestände zu verwalten, Werbeaktionen zu planen und Lieferketten zu optimieren. Die Analyse von Verkaufsdaten aus der Vergangenheit hilft, die Nachfrage der Verbraucher vorherzusehen.
4. Überwachung des Gesundheitswesens: Die Analyse der im Laufe der Zeit aufgezeichneten Vitaldaten von Patienten (z. B. Herzfrequenz, Blutdruck) hilft bei der Früherkennung von Krankheiten und der Patientenüberwachung.

Abgrenzung zu Aufgaben der Computer Vision

Während sich die Zeitreihenanalyse auf Sequenzen numerischer oder kategorischer Datenpunkte im Zeitverlauf konzentriert, befasst sich Computer Vision (CV) mit der Interpretation visueller Informationen aus Bildern oder Videos. Aufgaben wie die Erkennung von Objekten oder die Segmentierung von Bildern, die oft von Modellen wie Ultralytics YOLO11durchgeführt werden, analysieren in erster Linie räumliche Inhalte innerhalb von Einzelbildern oder setzen Objekte über Bilder hinweg in Beziehung(Objektverfolgung).

Obwohl die Videoanalyse von Natur aus eine zeitliche Dimension beinhaltet (Abfolge von Einzelbildern), unterscheiden sich die verwendeten Techniken oft von traditionellen Zeitreihenmethoden. Bei der Videoanalyse können räumlich-zeitliche Modelle (wie 3D CNNs oder Vision Transformers) zum Einsatz kommen, die sowohl räumliche Merkmale als auch deren Veränderungen im Laufe der Zeit berücksichtigen, anstatt univariate oder multivariate Zeitreihendaten direkt zu analysieren. Einige Computer-Vision-Aufgaben können Zeitreihendaten erzeugen (z. B. die Verfolgung der Anzahl von Objekten im Laufe der Zeit), die dann mit Standard-Zeitreihentechniken analysiert werden können.

Tools und Ressourcen

Für die Entwicklung und den Einsatz von Zeitreihenmodellen sind verschiedene Tools erforderlich. Neben ML-Bibliotheken bieten spezialisierte Tools wie die Prophet-Bibliothek von Meta benutzerfreundliche Vorhersagefunktionen. Die Verwaltung des Lebenszyklus dieser Modelle, vom Training auf Benchmark- oder benutzerdefinierten Datensätzen (wie denen in der Zeitreihendatenbibliothek) bis hin zur Auswertung und Bereitstellung, erfordert häufig die Anwendung von Machine Learning Operations (MLOps) und Plattformen wie Ultralytics HUB. Als Lernressourcen bieten Texte wie "Forecasting: Principles and Practice" eine umfassende Anleitung, und Plattformen wie Kaggle veranstalten Zeitreihenwettbewerbe für praktische Erfahrungen.