Glossaire

Analyse des séries temporelles

Débloque la puissance de l'analyse des séries temporelles pour prévoir les tendances, détecter les anomalies et optimiser les applications AI/ML dans tous les secteurs d'activité.

Entraîne les modèles YOLO simplement
avec Ultralytics HUB

En savoir plus

L'analyse des séries chronologiques est une méthode statistique utilisée pour analyser des séquences de points de données collectés ou enregistrés au fil du temps. L'objectif principal est de comprendre la structure et les modèles sous-jacents des données - tels que les tendances, la saisonnalité et les cycles - afin de prendre des décisions éclairées ou de faire des prédictions futures. Cette technique est fondamentale dans divers domaines, car elle exploite les données historiques pour prévoir les valeurs futures et comprendre les dynamiques temporelles. Il s'agit d'un domaine spécialisé de l'apprentissage machine (ML) qui se concentre spécifiquement sur les points de données ordonnés dans le temps, souvent collectés à intervalles réguliers (par exemple, toutes les heures, tous les jours, tous les mois).

Concepts de base

Pour comprendre les données des séries chronologiques, il faut identifier plusieurs éléments clés :

  • Tendance : L'augmentation ou la diminution à long terme des données. Elle indique la direction générale de la série sur une période prolongée.
  • Saisonnalité : Modèles qui se répètent sur une période fixe et connue (par exemple, quotidienne, hebdomadaire, annuelle). Par exemple, les ventes au détail présentent souvent une saisonnalité avec des pics pendant les périodes de vacances. Les techniques de décomposition saisonnière permettent d'isoler ces modèles.
  • Composantes cycliques : Les fluctuations à long terme qui ne sont pas d'une durée fixe, souvent liées à des cycles économiques ou commerciaux plus larges. Ces cycles se produisent sur des périodes prolongées, généralement supérieures à un an.
  • Irrégularité (bruit) : Les variations aléatoires et imprévisibles des données qui ne sont pas expliquées par la tendance, la saisonnalité ou les composantes cycliques.

Une analyse efficace nécessite souvent des techniques de prétraitement des données. Il s'agit notamment de traiter les valeurs manquantes, de lisser les données à l'aide de méthodes telles que les moyennes mobiles, et éventuellement de transformer les données pour obtenir la stationnarité. La stationnarité, où les propriétés statistiques telles que la moyenne et la variance restent constantes dans le temps, est une exigence commune pour les modèles traditionnels tels que ARIMA (Autoregressive Integrated Moving Average). Des bibliothèques comme Pandas sont essentielles pour la manipulation des données dans ce contexte.

Techniques et modèles

Diverses techniques et modèles sont employés pour l'analyse des séries temporelles, allant des méthodes statistiques classiques aux approches modernes d'apprentissage automatique :

Applications concrètes de l'IA/ML

L'analyse des séries temporelles est cruciale dans de nombreuses applications d'IA et de ML pour la modélisation prédictive et la détection des anomalies:

  1. Prévisions financières : Dans l'IA en finance, les modèles de séries temporelles prédisent les cours des actions, les taux de change et la volatilité du marché en se basant sur les mouvements de prix historiques et les volumes d'échanges. La recherche universitaire continue d'explorer des modèles avancés de prédiction des marchés.
  2. Prévision de la charge énergétique : Les entreprises de services publics utilisent l'analyse des séries chronologiques pour prédire la demande d'électricité afin d'optimiser la production et la distribution d'énergie. Des prévisions précises permettent de gérer efficacement les ressources et contribuent aux efforts de durabilité en matière d'énergie renouvelable. Des organisations telles que l'Administration américaine d'information sur l'énergie (EIA) fournissent des prévisions énergétiques publiques.
  3. Prévisions des ventes au détail : Les entreprises prévoient les ventes futures de produits pour gérer les stocks, planifier les promotions et optimiser les chaînes d'approvisionnement. L'analyse des données sur les ventes passées permet d'anticiper la demande des consommateurs.
  4. Surveillance des soins de santé : L'analyse des signes vitaux des patients (par exemple, la fréquence cardiaque, la pression artérielle) enregistrés au fil du temps aide à la détection précoce des maladies et au suivi des patients.

Distinction des tâches de vision par ordinateur

Alors que l'analyse des séries temporelles se concentre sur les séquences de points de données numériques ou catégorielles dans le temps, la vision par ordinateur (VA) traite de l'interprétation des informations visuelles à partir d'images ou de vidéos. Des tâches telles que la détection d'objets ou la segmentation d'images, souvent réalisées par des modèles tels que Ultralytics YOLO11analysent principalement le contenu spatial à l'intérieur d'une seule image ou relient les objets entre eux(suivi d'objet).

Bien que l'analyse vidéo implique intrinsèquement une dimension temporelle (séquence d'images), les techniques utilisées diffèrent souvent des méthodes traditionnelles de séries temporelles. L'analyse vidéo peut utiliser des modèles spatio-temporels (comme les CNN 3D ou les transformateurs de vision) qui prennent en compte à la fois les caractéristiques spatiales et leurs changements dans le temps, plutôt que d'analyser directement des données de séries temporelles univariées ou multivariées. Certaines tâches de vision par ordinateur peuvent générer des données de séries temporelles (par exemple, le suivi du nombre d'objets au fil du temps), qui peuvent ensuite être analysées à l'aide de techniques de séries temporelles standard.

Outils et ressources

Le développement et le déploiement de modèles de séries temporelles font appel à différents outils. Outre les bibliothèques de ML, des outils spécialisés comme la bibliothèque Prophet de Meta offrent des capacités de prévision conviviales. La gestion du cycle de vie de ces modèles, de la formation sur des ensembles de données de référence ou personnalisés (comme ceux que l'on trouve dans la bibliothèque de données sur les séries temporelles) à l'évaluation et au déploiement, fait souvent appel aux principes des opérations d'apprentissage automatique (MLOps) et à des plateformes comme Ultralytics HUB. Pour les ressources d'apprentissage, des textes comme "Forecasting : Principles and Practice" fournissent des conseils complets, et des plateformes comme Kaggle accueillent des concours de séries temporelles pour acquérir une expérience pratique.

Tout lire