Die Zeitreihenanalyse ist eine statistische Methode zur Analyse von Datenreihen, die im Laufe der Zeit gesammelt wurden. Das Hauptziel ist es, die zugrundeliegenden Muster, Trends, saisonalen Schwankungen und zyklischen Komponenten in den Daten zu verstehen, um fundierte Entscheidungen oder Vorhersagen für die Zukunft zu treffen. Diese Technik ist in verschiedenen Bereichen von grundlegender Bedeutung, da sie historische Daten nutzt, um zukünftige Werte vorherzusagen. Es ist ein Spezialgebiet des maschinellen Lernens (ML), das sich speziell auf zeitlich geordnete Daten konzentriert.
Kernkonzepte
Um Zeitreihendaten zu verstehen, müssen mehrere Schlüsselkomponenten identifiziert werden:
- Trend: Der langfristige Anstieg oder Rückgang der Daten.
- Saisonalität: Muster, die sich über einen bestimmten Zeitraum wiederholen, z. B. tägliche, wöchentliche oder jährliche Schwankungen.
- Zyklen: Längerfristige Schwankungen, die nicht auf einen festen Zeitraum beschränkt sind und oft mit wirtschaftlichen oder geschäftlichen Bedingungen zusammenhängen.
- Rauschen/Unregelmäßigkeit: Zufällige, unvorhersehbare Schwankungen in den Daten, die nach Berücksichtigung von Trends, Saisonalität und Zyklen verbleiben.
Für eine wirksame Analyse sind oft Techniken zur Datenvorverarbeitung erforderlich, einschließlich der Behandlung fehlender Werte und einer möglichen Transformation der Daten, um Stationarität zu erreichen (bei der statistische Eigenschaften wie Mittelwert und Varianz über die Zeit konstant bleiben), was eine Voraussetzung für einige traditionelle Modelle wie ARIMA ist.
Techniken und Modelle
Für die Zeitreihenanalyse werden verschiedene Techniken eingesetzt:
- Klassische Methoden: Dazu gehören gleitende Durchschnitte, Exponentialglättung (wie Holt-Winters) und Autoregressive Integrated Moving Average (ARIMA)-Modelle. Dies sind bewährte statistische Ansätze.
- Modelle des maschinellen Lernens: Techniken wie Random Forests oder Gradient Boosting (z. B. XGBoost) können für die Zeitreihenprognose angepasst werden, oft durch die Erstellung verzögerter Merkmale.
- Deep Learning Modelle: Für komplexe Muster bietet Deep Learning (DL) leistungsstarke Werkzeuge. Rekurrente neuronale Netze (RNNs), einschließlich LSTMs und GRUs, sind für die Verarbeitung sequenzieller Daten konzipiert. In jüngerer Zeit haben Transformer-Architekturen, die ursprünglich für die Verarbeitung natürlicher Sprache (NLP) entwickelt wurden, eine starke Leistung bei Zeitreihenaufgaben gezeigt. Frameworks wie PyTorch werden häufig verwendet, um diese Modelle zu erstellen.
Reale Anwendungen in KI/ML
Die Zeitreihenanalyse ist für viele KI- und ML-Anwendungen entscheidend:
- Finanzprognosen: Vorhersage von Aktienkursen, Wechselkursen oder Unternehmensumsätzen auf der Grundlage historischer Finanzdaten. Algorithmen analysieren vergangene Markttrends und saisonale Schwankungen, um künftige Bewegungen vorherzusagen und so Investitionsstrategien und Finanzplanung zu unterstützen. Erfahre mehr über KI im Finanzwesen.
- Nachfrageprognose: Einzelhändler nutzen Zeitreihenanalysen, um die Produktnachfrage vorherzusagen und so das Bestandsmanagement und die Lieferketten zu optimieren. Ebenso prognostizieren Energieunternehmen den Strombedarf, um die Netzstabilität und eine effiziente Ressourcenzuteilung zu gewährleisten und die Nachhaltigkeitsbemühungen im Bereich der erneuerbaren Energien zu unterstützen. Siehe Beispiele von der U.S. Energy Information Administration (EIA).
Obwohl sie sich von Computer Vision (CV) -Aufgaben wie der Objekterkennung oder der Bildsegmentierung unterscheiden, die von Modellen wie Ultralytics YOLO durchgeführt werden, können sich Zeitreihenkonzepte bei der Videoanalyse überschneiden, bei der Bildsequenzen im Laufe der Zeit analysiert werden, auch wenn dabei oft eher räumlich-zeitliche Modelle als reine Zeitreihenmethoden zum Einsatz kommen. Um den Lebenszyklus dieser Modelle zu verwalten, werden häufig die Prinzipien des maschinellen Lernens (Machine Learning Operations, MLOps) und Plattformen wie Ultralytics HUB für Experimente und den Einsatz eingesetzt. Auch Tools wie die Prophet-Bibliothek von Meta sind für Vorhersageaufgaben beliebt.