时间序列分析

时间序列分析是一种专门用于分析在特定时间间隔内收集的数据点序列的方法。 在此过程中，分析师需在设定周期内以固定间隔记录数据点，而非间歇性或随机记录。与标准图像分类所用的静态数据集不同，时间序列数据增添了时间维度，意味着数据顺序对理解潜在模式至关重要。该技术是数据分析的基础，广泛应用于基于历史趋势预测未来事件。

核心组件与技术

要有效分析基于时间的数据，从业者必须识别构成信号的各个独立组成部分。

• 趋势分析：这涉及识别数据的长期走向。例如， 线性回归常用于建模 销售额在数年间是否总体呈上升或下降趋势。
• 季节性检测：许多数据集呈现出规律且可预测的变化，这些变化每年都会周期性出现。零售商通过季节性分析来应对节假日销售高峰或天气相关的消费习惯。
• 平稳性：若时间序列的统计特性（如均值和方差）随时间推移保持不变，则该序列被称为平稳序列。迪基-富勒检验等技术可用于判断数据建模前是否需要进行转换。
• 噪声估计：随机波动或"白噪声"可能掩盖真实模式。通过高级滤波或自编码器技术，将有效信号与随机波动分离。

真实世界的AI/ML应用

时间序列分析对于需要准确预测以优化运营和降低风险的行业至关重要。 风险。

• 零售需求预测：零售商利用零售人工智能预测库存需求。通过分析历史销售时间序列数据，企业能够优化供应链，同时减少库存积压和缺货现象。常采用Facebook Prophet等工具处理零售数据中显著的季节性效应。
• 医疗生命体征监测：在医疗领域， 医疗系统中的人工智能持续监测 患者的生命体征，如心率和血压。时间序列算法可执行 异常检测，当患者指标偏离其历史基线时立即向医护人员发出警报， 从而可能挽救生命。
• 预测性维护：制造工厂通过传感器持续收集机械设备的振动或温度数据。借助人工智能在制造业的应用，企业能够在设备故障发生前进行预测，从而最大限度地减少停机时间。

从计算机视觉生成时间序列

尽管时间序列分析与计算机视觉（CV）——后者专注于图像等空间数据——存在差异，但两者常有交集。计算机视觉模型可处理视频流以生成时间序列数据。例如，运行于交通摄像头的物体计数系统，便能生成每分钟车辆的连续计数数据。

以下示例演示了如何使用 Ultralytics track 视频中的track ， 有效地将视觉数据转换为物体计数的时间序列。

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")

为管理数据集并训练输入这些管道的模型，用户可借助Ultralytics ，该Ultralytics 简化了从标注到部署的整个工作流程。

现代神经网络架构

传统统计方法如 ARIMA（自回归积分移动平均模型）仍广受欢迎， 但现代深度学习（DL）已引入 强大的替代方案。

• 循环神经网络（RNNs）：专为序列数据设计， 循环神经网络（RNN） 能保持对先前输入的"记忆"，使其适用于短期依赖关系。
• 长短期记忆网络（LSTM）：为解决标准循环神经网络（RNN）在记忆长序列方面的局限性，长短期记忆网络（LSTM）架构通过门控机制控制信息流，有效建模了长期时间依赖关系。
• 变形金刚：最初为文本而造， Transformer 架构及其注意力机制 现已成为预测复杂时间序列数据的尖端技术，其表现往往优于传统循环神经网络模型。

与相关术语的区别

必须将时间序列分析与序列建模和计算机视觉区分开来。 计算机视觉。

• 时间序列与序列建模：虽然所有时间序列都是序列，但并非所有序列都是时间序列。 自然语言处理（NLP）处理的是词语序列，其中顺序至关重要，但"时间"元素是抽象的。时间序列分析则特指数据按时间索引的情况。
• 时间序列与计算机视觉：计算机视觉处理的是视觉输入（像素）的解读。然而，诸如视频理解等技术通过为视觉分析增添时间维度来弥合这一差距，通常借助Transformers模型来理解视觉内容随时间的变化规律。