Análisis de series temporales

Aplicaciones AI/ML en el mundo real

El análisis de series temporales es fundamental para construir sistemas inteligentes capaces de anticiparse a acontecimientos futuros a partir de datos históricos.

1. Predicción de mercados financieros: Una de las aplicaciones más comunes es en finanzas, donde los analistas predicen los precios de las acciones, los rendimientos de los activos y la volatilidad del mercado. Los modelos analizan datos históricos de precios procedentes de fuentes como la Bolsa de Nueva York para identificar tendencias y patrones cíclicos que puedan servir de base a las estrategias de negociación. Estos modelos pueden ir desde métodos estadísticos tradicionales hasta arquitecturas avanzadas de aprendizaje profundo.
2. Previsión de la demanda en el comercio minorista: Las empresas aprovechan el análisis de series temporales para la previsión de la demanda con el fin de optimizar el inventario. Mediante el análisis de los datos históricos de ventas, los minoristas pueden predecir los picos estacionales (como las compras navideñas) y las tendencias semanales, asegurándose de que tienen la cantidad correcta de existencias en el momento adecuado. Este es un componente clave de la creación de soluciones eficaces de IA en el comercio minorista.
3. Ciencias meteorológicas y climáticas: Los meteorólogos utilizan modelos de series temporales para predecir las condiciones meteorológicas analizando datos históricos de temperatura, humedad y velocidad del viento. Organizaciones como la Organización Meteorológica Mundial confían en estas previsiones para la seguridad pública y la planificación. Del mismo modo, los climatólogos analizan los datos climáticos a largo plazo para modelizar los cambios medioambientales y detectar anomalías.
4. Monitorización sanitaria: En el ámbito de la IA en la sanidad, el análisis de series temporales se utiliza para controlar las constantes vitales de los pacientes, como la frecuencia cardiaca y la presión arterial, a partir de sensores portátiles. El análisis de estos datos en tiempo real puede ayudar a la detección precoz de problemas de salud, como la predicción del inicio de un evento cardíaco mediante el análisis de los datos de la señal ECG.

Técnicas de análisis de series temporales

Para modelizar los datos de series temporales se utilizan diversos métodos, desde los enfoques estadísticos clásicos hasta las complejas redes neuronales.

• Modelos estadísticos: Estos métodos tradicionales suelen utilizarse como referencia y son eficaces para conjuntos de datos más sencillos.
  • Modelos ARIMA: Los modelos de medias móviles integradas autorregresivas captan la información de los valores pasados y los errores de previsión de las series.
  • Suavizado exponencial: Este método da un peso exponencialmente decreciente a las observaciones más antiguas, lo que lo hace adecuado para datos sin una tendencia o estacionalidad claras.
• Modelos de aprendizaje automático: Para patrones más complejos y no lineales, se prefieren los modelos ML.
  • Redes neuronales recurrentes (RNN): Arquitecturas como las de memoria a corto plazo (LSTM) están diseñadas para manejar datos secuenciales, lo que las convierte en idóneas para las series temporales.
  • Modelos de transformadores: Originario del Procesamiento del Lenguaje Natural (PLN), el mecanismo de atención de los transformadores es muy eficaz para identificar dependencias de largo alcance en datos de series temporales.

Distinción de las tareas de visión artificial

Mientras que el análisis de series temporales se centra en secuencias de puntos de datos numéricos o categóricos a lo largo del tiempo, la visión por ordenador (CV) se ocupa de interpretar la información visual de imágenes o vídeos. Tareas como la detección de objetos o la segmentación de imágenes, a menudo realizadas por modelos como Ultralytics YOLO, analizan principalmente el contenido espacial dentro de fotogramas individuales o relacionan objetos entre fotogramas(seguimiento de objetos).

Aunque el análisis de vídeo implica intrínsecamente una dimensión temporal (una secuencia de fotogramas), las técnicas utilizadas a menudo difieren de los métodos tradicionales de series temporales. El análisis de vídeo puede emplear modelos espaciotemporales (como las CNN 3D o los transformadores de visión) que tienen en cuenta tanto las características espaciales como sus cambios a lo largo del tiempo. Sin embargo, un sistema de CV puede generar datos de series temporales. Por ejemplo, un sistema de recuento de objetos en una secuencia de vídeo puede generar una serie temporal del número de personas que pasan por una zona cada minuto. Este resultado puede analizarse mediante técnicas estándar de series temporales para el análisis de tendencias o la detección de anomalías.

Herramientas y recursos

El desarrollo y despliegue de modelos de series temporales implica diversas herramientas. Además de bibliotecas de ML como PyTorch y TensorFlow, herramientas especializadas como la biblioteca Prophet de Meta ofrecen capacidades de previsión fáciles de usar. La gestión del ciclo de vida de estos modelos, desde el entrenamiento en conjuntos de datos de referencia o personalizados (como los que se encuentran en la Biblioteca de Datos de Series Temporales) hasta la evaluación y el despliegue del modelo, a menudo implica principios de Operaciones de Aprendizaje Automático (MLOps) y plataformas como Ultralytics HUB. En cuanto a los recursos de aprendizaje, textos como "Forecasting: Principles and Practice" proporcionan una orientación completa, y plataformas como Kaggle organizan competiciones de series temporales para adquirir experiencia práctica.