用語集

時系列分析

時系列分析のパワーを解き放ち、トレンドを予測し、異常を検出し、業界全体のAI/MLアプリケーションを最適化します。

Ultralytics HUB で
を使ってYOLO モデルをシンプルにトレーニングする。

さらに詳しく

時系列分析は、長期にわたって収集されたデータポイントのシーケンスを分析するために使用される統計的手法である。主な目的は、データ内の基本的なパターン、傾向、季節性、周期的な要素を理解し、情報に基づいた意思決定や将来予測を行うことである。この技術は様々な分野で基礎となっており、過去のデータを活用して将来の価値を予測する。機械学習(ML)の中でも、特に時間順に並んだデータに特化した専門分野である。

コア・コンセプト

時系列データを理解するには、いくつかの重要な要素を特定する必要がある:

  1. トレンド:データの長期的な増減。
  2. 季節性:日変動、週変動、年変動など、一定期間に繰り返されるパターン。
  3. 周期:一定期間ではない長期的な変動で、多くの場合、経済やビジネスの状況に関連している。
  4. ノイズ/不規則性:トレンド、季節性、サイクルを考慮した後に残る、データのランダムで予測不可能な変動。

効果的な分析には、欠損値の処理や、ARIMAのような伝統的なモデルの要件である定常性(平均や分散などの統計的性質が時間とともに一定に保たれること)を達成するためのデータ変換を含む、データの前処理技術が必要な場合が多い。

テクニックとモデル

時系列分析には様々な手法が用いられる:

AI/MLの実世界での応用

時系列分析は、多くのAIやMLアプリケーションにおいて極めて重要である:

  1. 財務予測:過去の財務データに基づいて株価、為替レート、企業の売上高を予測すること。アルゴリズムが過去の市場動向や季節性を分析して将来の動きを予測し、投資戦略や資金計画に役立てる。金融におけるAIの詳細を見る。
  2. 需要予測:小売業は時系列分析を使って商品需要を予測し、在庫管理とサプライ・チェーンを最適化している。同様に、エネルギー会社は電力需要を予測して、送電網の安定性と効率的な資源配分を確保し、再生可能エネルギーにおける持続可能な取り組みを支援している。米国エネルギー情報局(EIA)の例をご覧ください。

Ultralytics YOLOようなモデルによって実行されるオブジェクト検出や 画像セグメンテーションのようなコンピュータビジョン(CV)タスクとは異なりますが、時系列の概念は、純粋な時系列手法ではなく空間-時間モデルが関与することが多いものの、フレームのシーケンスが経時的に分析されるビデオ分析で交差することがあります。これらのモデルのライフサイクルを管理するには、多くの場合、機械学習オペレーション(MLOps)の原則と、実験とデプロイのためのUltralytics HUBのようなプラットフォームが必要です。MetaのProphetライブラリのようなツールも予測タスクに人気がある。

すべて読む