术语表

时间序列分析

释放时间序列分析的威力,预测趋势、检测异常并优化各行业的人工智能/人工智能应用。

使用Ultralytics HUB 对YOLO 模型进行简单培训

了解更多

时间序列分析是一种统计方法,用于分析一段时间内收集的数据点序列。其主要目的是了解数据中的基本模式、趋势、季节性和周期性成分,从而对未来做出明智的决策或预测。这项技术在各个领域都非常重要,它利用历史数据来预测未来的价值。它是机器学习(ML)中的一个专业领域,专门关注有时间顺序的数据。

核心理念

理解时间序列数据需要确定几个关键组成部分:

  1. 趋势:数据的长期增减。
  2. 季节性:在固定时期内重复出现的模式,如每日、每周或每年的波动。
  3. 周期:非固定周期的长期波动,通常与经济或商业条件有关。
  4. 噪音/不规则性:在考虑趋势、季节性和周期之后,数据中仍然存在的随机的、不可预测的变化。

有效的分析通常需要数据预处理技术,包括处理缺失值和可能的数据转换,以实现静态性(即均值和方差等统计属性随时间保持不变),这是ARIMA 等一些传统模型的要求。

技术和模式

时间序列分析采用了多种技术:

  • 经典方法:包括移动平均法、指数平滑法(如 Holt-Winters)和自回归综合移动平均法(ARIMA)模型。这些都是行之有效的统计方法。
  • 机器学习模型: 随机森林或梯度提升(如XGBoost)等技术可用于时间序列预测,通常是通过创建滞后特征来实现。
  • 深度学习模型:对于复杂模式,深度学习 (DL)提供了强大的工具。包括LSTMGRU 在内的递归神经网络 (RNN) 设计用于处理序列数据。最近,最初为自然语言处理(NLP)而开发的变换器架构在时间序列任务中表现出了强劲的性能。像 PyTorch等框架通常用于构建这些模型。

人工智能/移动语言的实际应用

时间序列分析在许多人工智能和 ML 应用中都至关重要:

  1. 财务预测:根据历史财务数据预测股票价格、汇率或公司销售额。算法通过分析过去的市场趋势和季节性来预测未来走势,从而帮助制定投资战略和财务规划。了解更多人工智能在金融领域的应用
  2. 需求预测:零售商利用时间序列分析预测产品需求,优化库存管理和供应链。同样,能源公司也预测电力需求,以确保电网稳定和有效的资源分配,支持可再生能源的可持续发展。请参阅美国能源信息署 (EIA) 提供的示例。

时间序列的概念与Ultralytics YOLO 等模型执行的物体检测图像分割计算机视觉(CV)任务不同,但在视频分析中,时间序列的概念可以相互交叉,在视频分析中,随着时间的推移对帧序列进行分析,但通常涉及空间-时间模型,而不是纯粹的时间序列方法。管理这些模型的生命周期通常涉及机器学习运营(MLOps)原则以及用于实验和部署的 Ultralytics HUB等平台。Meta 的 Prophet 库等工具在预测任务中也很受欢迎。

阅读全部