時系列分析

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：

• 古典的手法：移動平均、指数平滑化（ホルト・ウィンタースなど）、自己回帰統合移動平均（ARIMA）モデルなど。これらは確立された統計的アプローチである。
• 機械学習モデル： ランダムフォレストや勾配ブースティング（XGBoostなど）のようなテクニックは、時系列予測に適応させることができ、多くの場合、ラグ付き特徴を作成する。
• ディープラーニング・モデル：複雑なパターンに対して、ディープラーニング（DL）は強力なツールを提供する。LSTMや GRUを含むリカレントニューラルネットワーク（RNN）は、シーケンシャルなデータを扱うように設計されている。最近では、当初は自然言語処理（NLP）のために開発されたトランスフォーマーアーキテクチャが、時系列タスクで強力な性能を示している。以下のようなフレームワークがあります。 PyTorchのようなフレームワークが一般的に使用されている。

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。