Analyse de séries temporelles

L'analyse de séries chronologiques est une méthode spécifique d'analyse d'une séquence de points de données collectés sur un intervalle de temps. Dans ce processus, les analystes enregistrent les points de données à intervalles réguliers sur une période donnée, plutôt que d'enregistrer les points de données de manière intermittente ou aléatoire. Contrairement aux ensembles de données statiques utilisés pour la classification standard des images , les données de séries chronologiques ajoutent une dimension temporelle, ce qui signifie que l'ordre des données est crucial pour comprendre les modèles sous-jacents. Cette technique est fondamentale pour l'analyse des données et est largement utilisée pour prévoir les événements futurs sur la base des tendances historiques.

Composantes et techniques fondamentales

Pour analyser efficacement les données temporelles, les praticiens doivent identifier les différents composants qui constituent le signal.

• Analyse des tendances : il s'agit d'identifier l'orientation à long terme des données. Par exemple, la régression linéaire est souvent utilisée pour modéliser si les ventes augmentent ou diminuent globalement sur plusieurs années.
• Détection de la saisonnalité : de nombreux ensembles de données présentent des variations régulières et prévisibles qui se répètent chaque année civile. Les détaillants utilisent l'analyse de la saisonnalité pour se préparer aux pics liés aux fêtes ou aux habitudes d'achat liées aux conditions météorologiques.
• Stationnarité : une série chronologique est dite stationnaire si ses propriétés statistiques, telles que la moyenne et la variance, ne changent pas au fil du temps. Des techniques telles que le test de Dickey-Fuller permettent de déterminer si les données doivent être transformées avant la modélisation.
• Estimation du bruit : les variations aléatoires ou « bruit blanc » peuvent masquer les véritables modèles. Un filtrage avancé ou des auto-encodeurs sont utilisés pour séparer les signaux significatifs des fluctuations aléatoires.

Applications réelles de l'IA/ML

L'analyse des séries temporelles est essentielle pour les industries qui ont besoin de prévisions précises afin d'optimiser les opérations et de réduire les risques. risques.

• Prévision de la demande dans le commerce de détail : les détaillants utilisent l'IA dans le commerce de détail pour prévoir les besoins en stocks. En analysant les données chronologiques des ventes passées, les entreprises peuvent optimiser leurs chaînes d'approvisionnement, réduisant ainsi à la fois les surstocks et les ruptures de stock. Des outils tels que Facebook Prophet sont souvent utilisés pour gérer les effets saisonniers importants observés dans les données du commerce de détail.
• Surveillance des signes vitaux : dans le domaine médical, l'IA dans les systèmes de santé surveille en permanence les signes vitaux des patients, tels que la fréquence cardiaque et la pression artérielle. Les algorithmes de séries chronologiques peuvent effectuer une détection des anomalies afin d'alerter immédiatement le personnel médical si les mesures d'un patient s'écartent de leur base de référence historique normale, ce qui peut sauver des vies.
• Maintenance prédictive : les usines de fabrication utilisent des capteurs pour collecter des données sur les vibrations ou la température des machines au fil du temps. En appliquant l' IA à la fabrication, les entreprises peuvent prédire les pannes d'équipement avant qu'elles ne se produisent, minimisant ainsi les temps d'arrêt.

Générer des séries temporelles à partir de la vision par ordinateur

Bien que l'analyse des séries chronologiques soit distincte de la vision par ordinateur (CV), qui se concentre sur les données spatiales telles que les images, ces deux domaines se recoupent souvent. Un modèle CV peut traiter des flux vidéo pour générer des données chronologiques. Par exemple, un système de comptage d'objets fonctionnant sur une caméra de circulation produit un comptage séquentiel des voitures par minute.

L'exemple suivant montre comment utiliser Ultralytics pour track dans une vidéo, en convertissant efficacement les données visuelles en une série chronologique de comptages d'objets.

from ultralytics import YOLO

# Load the YOLO26 model for object tracking
model = YOLO("yolo26n.pt")

# Track objects in a video stream (generates time-series data)
# The 'stream=True' argument returns a generator for memory efficiency
results = model.track("https://docs.ultralytics.com/modes/track/", stream=True)

# Process frames sequentially to build a time series of counts
for i, r in enumerate(results):
    if r.boxes.id is not None:
        count = len(r.boxes.id)
        print(f"Time Step {i}: {count} objects detected")

Pour gérer les ensembles de données et les modèles d'entraînement qui alimentent ces pipelines, les utilisateurs peuvent tirer parti de Ultralytics , qui simplifie le flux de travail, de l'annotation au déploiement.

Architectures neuronales modernes

Les méthodes statistiques traditionnelles telles que l' ARIMA (AutoRegressive Integrated Moving Average) sont toujours populaires, mais le Deep Learning (DL) moderne a introduit de puissantes alternatives.

• Réseaux neuronaux récurrents (RNN) : Spécialement conçus pour les données séquentielles, les réseaux neuronaux récurrents (RNN) conservent une « mémoire » des entrées précédentes, ce qui les rend adaptés aux dépendances à court terme.
• Mémoire à court terme longue (LSTM) : pour pallier les limites des RNN standard en matière de mémorisation de longues séquences, l' architecture de mémoire à court terme longue (LSTM) utilise des portes pour contrôler le flux d'informations, modélisant ainsi efficacement les dépendances temporelles à long terme.
• Transformers : initialement conçue pour le texte, l' architecture Transformer et ses mécanismes d'attention sont désormais à la pointe de la technologie pour la prévision de séries chronologiques complexes, surpassant souvent les anciens modèles récurrents.

Distinction par rapport aux termes apparentés

Il est important de différencier l'analyse des séries temporelles de la modélisation des séquences et de la vision par ordinateur. vision par ordinateur.

• Modélisation des séries chronologiques vs modélisation des séquences : si toutes les séries chronologiques sont des séquences, toutes les séquences ne sont pas des séries chronologiques. Le traitement du langage naturel (NLP) traite des séquences de mots dont l'ordre est important, mais l'élément « temps » est abstrait. L'analyse des séries chronologiques implique spécifiquement que les données sont indexées par le temps.
• Série chronologique vs vision par ordinateur : la vision par ordinateur traite l'interprétation des entrées visuelles (pixels). Cependant, des techniques telles que la compréhension vidéo comblent le fossé en ajoutant une dimension temporelle à l'analyse visuelle, souvent à l'aide de transformateurs pour comprendre comment le contenu visuel évolue au fil du temps.