Zaman Serisi Analizi

Zaman serisi analizi, belirli bir zaman aralığında toplanan veri noktalarının dizisini analiz etmek için kullanılan özel bir yöntemdir. Bu süreçte, analistler veri noktalarını aralıklı veya rastgele kaydetmek yerine, belirli bir süre boyunca tutarlı aralıklarla kaydederler. Standart Görüntü Sınıflandırması için kullanılan statik veri kümelerinden farklı olarak, zaman serisi verileri zamansal bir boyut ekler, yani verilerin sırası, altta yatan kalıpları anlamak için çok önemlidir. Bu teknik, Veri Analitiği için temeldir ve geçmiş eğilimlere dayalı olarak gelecekteki olayları tahmin etmek için yaygın olarak kullanılır. Zaman serisi analizi, veri analizinde önemli bir rol oynar ve veri analitiği ile veri modelleme arasında köprü görevi görür.

Temel Bileşenler ve Teknikler

Zaman bazlı verileri etkili bir şekilde analiz etmek için, uygulayıcılar sinyali oluşturan farklı bileşenleri tanımlamalıdır.

• Trend Analizi: Bu, verilerin uzun vadeli yönünü belirlemeyi içerir. Örneğin, Doğrusal Regresyon genellikle satışların birkaç yıl boyunca genel olarak artıp artmadığını veya azalıp azalmadığını modellemek için kullanılır.
• Mevsimsellik Tespiti: Birçok veri kümesi, her takvim yılında tekrarlanan düzenli, öngörülebilir değişiklikler sergiler. Perakendeciler, tatil dönemlerindeki artışlara veya hava koşullarına bağlı satın alma alışkanlıklarına hazırlanmak için mevsimsellik analizini kullanır.
• Durağanlık: Bir zaman serisi, ortalama ve varyans gibi istatistiksel özellikleri zaman içinde değişmezse durağan olarak adlandırılır. Dickey-Fuller testi gibi teknikler, verilerin modelleme öncesinde dönüştürülmesi gerekip gerekmediğini belirlemeye yardımcı olur.
• Gürültü Tahmini: Rastgele varyasyonlar veya "beyaz gürültü" gerçek kalıpları gizleyebilir. Gelişmiş filtreleme veya Otomatik Kodlayıcılar, rastgele dalgalanmalardan anlamlı sinyalleri ayırmak için kullanılır.

Gerçek Dünya Yapay Zeka/Makine Öğrenimi Uygulamaları

Zaman serisi analizi, operasyonları optimize etmek ve maliyetleri azaltmak için doğru tahmin gerektiren sektörler için kritik öneme sahiptir. Risk.

• Perakendede Talep Tahmini: Perakendeciler, perakendede yapay zekayı kullanarak envanter gereksinimlerini tahmin ederler. Geçmiş satışların zaman serisi verilerini analiz ederek, işletmeler tedarik zincirlerini optimize edebilir, hem fazla stok hem de stok tükenmesini azaltabilirler. Facebook Prophet gibi araçlar genellikle perakende verilerinde görülen güçlü mevsimsel etkileri yönetmek için kullanılır.
• Sağlık Hizmetlerinde Yaşamsal Belirtilerin İzlenmesi: Tıp alanında, Sağlık Hizmetleri sistemlerindeki yapay zeka, kalp atış hızı ve kan basıncı gibi hastanın yaşamsal belirtilerini sürekli olarak izler. Zaman serisi algoritmaları, Anomali Tespiti gerçekleştirerek, hastanın ölçümleri normal tarihsel baz değerinden saparsa tıbbi personeli hemen uyarabilir ve bu sayede hayat kurtarabilir.
• Öngörücü Bakım: Üretim tesisleri, zaman içinde makinelerden titreşim veya sıcaklık verilerini toplamak için sensörler kullanır. Üretimde yapay zeka uygulayarak, şirketler ekipman arızalarını meydana gelmeden önce tahmin edebilir ve arıza süresini en aza indirebilir.

Bilgisayarlı Görüntüden Zaman Serileri Oluşturma

Zaman serisi analizi, görüntüler gibi uzamsal verilere odaklanan Bilgisayar Görme (CV) ile farklı olsa da, bu iki alan sıklıkla kesişir. Bir CV modeli, video akışlarını işleyerek zaman serisi verileri oluşturabilir. Örneğin, bir trafik kamerasında çalışan bir Nesne Sayma sistemi, dakikada geçen araçların sayısını sıralı olarak üretir.

Aşağıdaki örnek, Ultralytics kullanarak bir videodaki track ve görsel verileri etkili bir şekilde nesne sayılarının zaman serisine dönüştürmeyi göstermektedir.

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")

Bu boru hatlarına beslenen veri kümelerini ve eğitim modellerini yönetmek için kullanıcılar, Ultralytics kullanabilirler. Bu platform, açıklama ekleme işleminden uygulamaya kadar olan iş akışını basitleştirir.

Modern Sinir Mimarileri

ARIMA (Oto-Regresif Entegre Hareketli Ortalama) gibi geleneksel istatistiksel yöntemler hala popülerdir, ancak modern Derin Öğrenme (DL) güçlü alternatifler sunmuştur. Bu alternatifler, geleneksel yöntemlerin sınırlamalarını aşarak, daha doğru tahminler ve daha hızlı sonuçlar elde etmeyi mümkün kılar.

• Tekrarlayan Sinir Ağları (RNN'ler): Sıralı veriler için özel olarak tasarlanmış olan Tekrarlayan Sinir Ağı (RNN) önceki girdilerin "hafızasını" korur ve bu da onu kısa vadeli bağımlılıklar için uygun hale getirir.
• Uzun Kısa Süreli Bellek (LSTM): Uzun dizileri hatırlamada standart RNN'lerin sınırlamalarını gidermek için Uzun Kısa Süreli Bellek (LSTM) mimarisi, bilgi akışını kontrol etmek için geçitler kullanır ve uzun vadeli zamansal bağımlılıkları etkili bir şekilde modeller.
• Transformers: Başlangıçta metin için geliştirilen Transformer mimarisi ve dikkat mekanizmaları artık karmaşık zaman serisi verilerini tahmin etmek için en son teknolojiyi temsil ediyor ve genellikle eski tekrarlayan modelleri geride bırakıyor.

İlgili Terimlerden Ayrım

Zaman Serisi Analizini Dizi Modellemesinden ayırmak önemlidir ve Bilgisayarla Görme.

• Zaman Serisi ve Dizi Modelleme: Tüm zaman serileri dizi olmakla birlikte, tüm diziler zaman serisi değildir. Doğal Dil İşleme (NLP) sıralamanın önemli olduğu kelime dizileriyle ilgilenir, ancak "zaman" öğesi soyuttur. Zaman serisi analizi, verilerin zamana göre indekslendiğini özellikle ima eder.
• Zaman Serisi ve Bilgisayar Görme: CV, görsel girdileri (pikselleri) yorumlamakla ilgilenir. Ancak, Video Anlama gibi teknikler, görsel analize zamansal bir boyut ekleyerek bu boşluğu doldurur ve genellikle Transformers kullanarak görsel içeriğin zaman içinde nasıl değiştiğini anlamaya çalışır.