„Време“ је кључна варијабла када је у питању акумулација података. У анализи временских серија, време је важан елемент података.
Преглед садржаја
Шта су подаци о временским серијама?
Подаци временске серије односе се на низ тачака података које су поређане у времену. Уводи зависност реда између скупа посматрања. Временске серије су свеприсутне у данашњем свету вођеном подацима. Како сваки догађај прати стрелицу времена, ми смо у сталној интеракцији са различитим подацима из временских серија.
Генерално се претпоставља да се временске серије генеришу у редовним временским интервалима и називају се регуларним временским серијама. Међутим, подаци унутар те временске серије не морају се генерисати у редовним интервалима. Такви случајеви обухватају неправилне временске серије где подаци прате временски фазни низ. То значи да се мерења можда неће дешавати у редовним интервалима. Међутим, подаци се могу генерисати у дискретним временским интервалима или као рафал. Исплате на банкоматима или депозити на рачуну су примери неправилних временских серија.
Технички, у временској серији, једна или више варијабли се мењају током датог временског периода. Ако једна променљива варира током времена, она се назива једноваријантна временска серија. На пример, узмите у обзир сензор који мери температуру просторије сваке секунде. Овде се у сваком тренутку (тј. секунди) генерише само једнодимензионална вредност температуре. Напротив, када се више од једне променљиве мења током времена, то се назива мултиваријантна временска серија. На пример, размотрите економију банке. У таквим случајевима, мултиваријантне временске серије се користе да би се схватило како промене политике једне променљиве, као што је репо стопа, могу утицати на друге варијабле (тј. исплату кредита за комерцијалне банке).
Подаци о временским серијама налазе своју примену у свакој дисциплини, од финансија, геологије, метеорологије, производње до рачунарства, Интернета ствари, физичких и друштвених наука. Користи се за праћење временских промена, наталитета, морталитета, тржишних флуктуација, перформанси мреже и многих других апликација. Неки од његових главних случајева употребе укључују праћење, предвиђање и откривање аномалија. На пример, предвиђање временских серија игра кључну улогу у одређивању популарности система за управљање базама података. Слика испод показује растућу популарност ДБМС-а током година (2019-2021) у графикону временске серије.
хттпс://ввв.инфлукдата.цом/тиме-сериес-датабасе/
Кључне компоненте временске серије
Фактори који утичу на вредности посматрања у временској серији третирају се као њихове кључне компоненте. Три категорије компоненти укључују:
Тренд
Тенденција података да се повећавају или смањују током дужег временског периода се назива тренд или дугорочна компонента. Међутим, важно је напоменути да кретање нагоре или наниже не мора нужно бити у истом правцу током датог временског периода.
Тенденције могу или порасти, пасти или остати стабилне у различитим временским периодима. Укупни тренд, међутим, увек мора бити једнак узлазном, силазном или стабилном обрасцу. Такве тенденције кретања су евидентне на примерима као што су пољопривредна продуктивност, смртност, произведени уређаји, број фабрика итд.
Линеарни и нелинеарни тренд
Исцртавање вредности временских серија у односу на време на графикону открива тип тренда на основу обрасца груписања података. Ако је кластер података мање-више око праве линије, онда се тренд назива линеарним трендом. Иначе, образац кластера података показује нелинеарни тренд пошто однос промене између две променљиве није стабилан или константан. Стога се такви трендови називају и криволинијским корелацијама.
Краткорочни покрети
У временској серији, ове компоненте имају тенденцију да се понављају током одређеног временског периода. Имају неправилне кратке рафале и утичу на варијабле које се проучавају. Двије врсте категорија под краткорочним кретањем укључују:
Сезонске варијације
Ове верзије раде редовно и периодично у периоду краћем од годину дана. Они имају тенденцију да имају сличан или скоро исти образац током периода од 12 месеци. Такве варијације постају део временске серије ако се подаци бележе редовно, тј. по сату, дневно, недељно, месечно или квартално.
Сезонске варијације су или вештачке или природне. Различита годишња доба или климатски услови играју кључну улогу у таквим варијацијама. На пример, производња усева се у потпуности ослања на годишња доба. Слично, тржиште за кишобран или кабаницу зависи од кишне сезоне, док је продаја расхладних уређаја и клима уређаја врхунац током летње сезоне.
Конвенције које је направио човек укључују фестивале, забаве и прилике као што су бракови. Такви краткорочни догађаји се понављају из године у годину.
Цицлиц Вариатионс
Варијације временских серија које имају тенденцију да функционишу у периоду дужем од годину дана називају се цикличним варијацијама. За посао, један комплетан период се сматра „пословним циклусом“. Пораст или пад пословних перформанси зависе од различитих фактора као што су економска структура, управљање пословањем и друге интеракцијске силе. Ове цикличне пословне варијације могу бити редовне, али не периодичне. Генерално, предузећа пролазе кроз четворофазни циклични процес који обухвата просперитет, рецесију, депресију и оживљавање.
Такве цикличне варијације су саставни део обрасца временске серије пошто се развој пословања у великој мери ослања на генерисане „узастопне тачке података“.
Случајни или неправилни покрети
Случајне компоненте узрокују значајне варијације у променљивој која се посматра. Ово су чисто неправилне флуктуације без икаквог утврђеног обрасца. Силе су непредвиђене, непредвидиве и несталне природе — на пример, земљотреси, поплаве, глад и друге катастрофе.
Горе описани случајни догађаји се анализирају коришћењем изворних података временске серије како би се боље ухватили у коштац са таквим сценаријима из стварног живота који се могу догодити у будућности.
Врсте временских серија
Подаци о временским серијама могу се поделити у четири типа, детерминистички, недетерминистички, стационарни и нестационарни. Хајде да детаљно погледамо сваки тип.
#1. Детерминистичке временске серије
Детерминистички временски низ може се описати аналитичким изразом. Не укључује случајне или вероватноће. Математички, може се тачно изразити за све временске интервале у смислу проширења Тејлоровог низа. Ово је могуће ако су сви његови деривати познати у неком произвољном тренутку. Ови деривати експлицитно прецизирају прошлост и будућност у то време. Ако су сви услови испуњени, могуће је тачно предвидети његово будуће понашање и анализирати како се понашао у прошлости.
#2. Недетерминистичке временске серије
Недетерминистичка временска серија има насумични аспект повезан са њом што спречава њен експлицитни опис. Дакле, аналитички изрази нису довољно изводљива решења за изражавање такве временске серије. Временска серија може бити недетерминистичка из следећих разлога:
Због случајног фактора, недетерминистичка временска серија се повинује вероватноћам законима. Према томе, подаци се третирају у статистичким терминима – имплицирани подаци су дефинисани дистрибуцијама вероватноће и просецима различитих облика. Ово укључује средства и мере дисперзије, односно варијансе.
#3. Стационарне временске серије
У стационарној временској серији, статистичка својства као што су средња вредност, варијанса и друга не ослањају се на временски аспект. Стационарну временску серију је лакше предвидети јер се може са сигурношћу тврдити да ће њена статистичка својства остати иста као што су била примећена у прошлости. Отуда се различите методе статистичког предвиђања заснивају на аргументу да је временска серија скоро стационарна. Ово имплицира да се временске серије могу посматрати као стационарне у апроксимацији применом једноставних математичких трансформација.
#4. Нестационарне временске серије
У нестационарном низу, статистичка својства варирају са временом. Дакле, временске серије са трендовима или сезоналношћу спадају у нестационарну категорију јер тренд и сезоналност могу утицати на вредност временске серије у различитим временским интервалима. Нестационарне временске серије описују непредвидиве податке, спречавајући њихово моделирање или предвиђање.
хттпс://ввв.ореилли.цом/либрари/виев/хандс-он-мацхине-леарнинг/9781788992282/15ц9цц40-беа2-4б75-902ф-2е9739фец4ае.кхтмл
Анализа и предвиђање временских серија
Анализа и предвиђање временских серија су згодни алати за посматрање, анализу и проучавање еволуције и динамике виталних процеса и објеката различитих врста. Хајде да погледамо сваки детаљније.
Анализа временских серија
Анализа временских серија се дефинише као процес анализе података прикупљених током одређеног временског периода. Овде аналитичари података бележе податке у константним интервалима током фиксног временског периода. Стопа посматрања података, односно временски интервал, може да варира од секунди до година.
Подаци о временским серијама описују варијабле које се испитују јер пружају детаљну анализу флуктуирајућег обрасца током одређеног временског периода. Параметри неопходни за анализу могу да варирају у различитим доменима и дисциплинама. Неки од примера могу укључивати:
- Научни инструменти – Подаци снимљени по дану
- Комерцијални веб-сајт – посете купаца по дану
- Берза – вредности акција недељно
- Сезона – Кишни дани у години
Да би се обезбедила доследност и поузданост, анализа временских серија ради на великим количинама тачака података. Добра величина узорка је суптилан приказ аутентичности откривеног тренда или обрасца.
Поред тога, анализа временских серија је такође погодна за предвиђање будућих догађаја на основу прошлих забележених података.
Предвиђање временских серија
Анализа временских серија омогућава организацијама да идентификују основни узрок флуктуација трендова током времена. Са подацима у руци, предузећа могу даље да проучавају и истражују како би боље разумела како да се изборе са непознатим трендовима и предвиде предстојеће догађаје. Компаније углавном користе технике визуелизације података да би утврдиле такве аномалије у подацима.
Предвиђање временских серија се врти око два битна фактора:
У предвиђању, примарни циљ је да се у суштини предвиди како ће тачке података остати исте или варирати у будућности. Ево неколико примера из различитих индустријских сектора да бисте боље разумели нијансе анализе и предвиђања временских серија.
- Берза – предвиђање цене акција на затварању сваког дана.
- Продаја – Предвидите продају производа за продавницу сваког дана.
- Цене – предвиђање просечне цене горива сваког дана.
Неке од уобичајених статистичких техника које се користе за предвиђање временских серија укључују једноставан покретни просек (СМА), експоненцијално изглађивање (СЕС), ауторегресивни интегрисани покретни просек (АРИМА) и неуронску мрежу (НН).
Подаци о временским серијама у облаку
Да би открила вредност временских серија података, предузећа би требало да буду у могућности да брзо складиште и траже податке. Компаније на тржишту капитала ослањају се на велике количине историјских и стриминг података да би користиле аналитику података у реалном времену и доносиле утицајне пословне одлуке. Ово може укључивати предвиђање рањивости по ценама акција, одређивање нето капиталних захтева или предвиђање девизних курсева. Да би обезбедиле флексибилност и беспрекорну обраду података, многе компаније се одлучују за миграцију својих база података временских серија у облак.
Са миграцијом база података временских серија у облаке, организације могу добити приступ неограниченим ресурсима на захтев. Омогућава компанијама да искористе стотине језгара како би извршиле свој задатак који максимизира мрежни проток без проблема са кашњењем.
Базе података временских серија у инфраструктури облака су погодне за рачунарски интензивна радна оптерећења. Ово укључује извођење прорачуна ризика као одговор на тржишне трендове у реалном времену. Финансијске компаније могу да уклоне трошкове центара података и да престану да користе ресурсе за побољшање продуктивности свог радног оптерећења.
Продавци у облаку као што је АВС пружају Амазон Тиместреам, услуга базе података временских серија која омогућава лако учитавање, складиштење и анализу скупова података временских серија. Они нуде складиште за управљање радним оптерећењима која захтевају много трансакција, алате за анализу у реалном времену и функционалност стримовања података да би приказали догађаје када се догоде.
Дакле, инфраструктура облака појачава и скалира предности података временских серија.
Примене временских серија
Модели временских серија служе за две сврхе,
Хајде да погледамо неке од случајева употребе података временских серија у апликацији.
#1. Временске серије у финансијском и пословном домену
Све финансијске, пословне и инвестиционе одлуке се доносе на основу тренутних тржишних трендова и предвиђања потражње. Подаци о временским серијама се користе за објашњење, корелацију и предвиђање динамичног финансијског тржишта. Финансијски стручњаци могу да испитају финансијске податке како би дали прогнозе за апликације које помажу у ублажавању ризика, стабилизацији цена и трговању.
Анализа временских серија игра кључну улогу у финансијској анализи. Користи се у предвиђању каматних стопа, предвиђању волатилности на берзама и још много тога. Пословни актери и креатори политике могу доносити информисане одлуке о производњи, куповини, расподели ресурса и оптимизовати своје пословне операције.
Ова анализа се ефикасно користи у инвестиционом сектору за праћење безбедносних стопа и њихових флуктуација током времена. Цена сигурности се такође може посматрати краткорочно (тј. снимање података по сату или дану) или дугорочно (тј. посматрање које се протеже на месеце или године). Анализа временских серија је корисна алатка за праћење учинка хартије од вредности, имовине или економске варијабле током дужег временског периода.
#2. Временске серије у медицинској области
Здравство се брзо појављује као поље засновано на подацима. Поред финансијске и пословне анализе, медицински домен у великој мери користи анализу временских серија.
Размислите о сценарију који захтева синергију временских серија података, медицински усклађених процедура и техника рударења података током лечења пацијената са раком. Такав хибридни оквир може да се користи да би се искористиле функције екстракције карактеристика из прикупљених података временске серије (тј. рендгенске слике пацијента) да би се пратио напредак пацијента и одговор на третмане које пружа медицинско братство.
У сектору здравства, извођење закључака из података временских серија које се стално мењају је од критичне вредности. Поред тога, напредне медицинске праксе захтевају да се евиденција пацијената повеже током времена ради боље видљивости здравља пацијената. Такође, здравствени параметри пацијента морају се прецизно бележити у редовним интервалима да би се имала јаснија слика о здравственом стању пацијента.
Са напредним медицинским инструментима који долазе у први план, анализа временских серија се етаблирала у домену здравствене заштите. Размотрите примере у наставку,
- ЕКГ уређаји: Уређаји измишљени за праћење срчаних стања снимањем електричних импулса срца.
- ЕЕГ уређаји: Уређаји који се користе за квантификацију електричне активности у мозгу.
Такви уређаји су омогућили лекарима да врше анализу временских серија ради брже, ефикасније и тачне медицинске дијагнозе.
Поред тога, са појавом ИоТ уређаја као што су носиви сензори и преносиви здравствени уређаји, људи сада могу редовно да мере своје здравствене варијабле током времена са минималним уносима. Ово доводи до доследног прикупљања података временски зависних медицинских података за болесне и здраве особе.
#3. Временске серије у астрономији
Астрономија и астрофизика су две модерне дисциплине у којима се подаци временских серија значајно користе.
У основи, астрономија укључује исцртавање путања космичких објеката и небеских тела и извођење тачних мерења како би се боље разумео универзум изван Земљине атмосфере. Због овог захтева, астрономски стручњаци су вешти у руковању подацима временских серија док калибришу и конфигуришу сложене инструменте и проучавају астрономске објекте од интереса.
Подаци о временским серијама су дуго били повезани са пољем астрономије. 800. године пре нове ере, подаци о временским серијама сунчевих пега су прикупљани у редовним интервалима. Од тада се користи анализа временских серија
- Откријте далеке звезде на основу звезданих удаљености,
- Посматрајте космичке догађаје као што су супернове да бисте боље разумели порекло нашег универзума.
Подаци о временским серијама, у овом случају, односе се на таласне дужине и интензитет светлости коју емитују звезде, небеска тела или објекти. Астрономи стално прате такве податке стриминга уживо како би открили космичке догађаје у реалном времену када и када се догоде.
У новије време су се појавиле истраживачке области као што су астроинформатика и астростатистика, које спајају различите дисциплине као што су рударење података, машинско учење, рачунарска интелигенција и статистика. У овим новим истраживачким областима, улога временских серија података је да брзо и ефикасно открију и класификују астрономске објекте.
#4. Временске серије у прогнози времена
Аристотел је опсежно проучавао временске обрасце да би боље разумео узроке и последице примећене у временским променама у древним временима. Како су дани одмицали, научници су почели да снимају податке везане за временске прилике на инструментима као што је „барометар“ за израчунавање атмосферских варијабли. Подаци су прикупљани у редовним интервалима и чувани на различитим локацијама.
Временом су временске прогнозе почеле да се појављују у новинама. Премотавамо у данашњи дан и доба, свеприсутне станице за прогнозу времена инсталиране су у различитим географским подручјима широм света како би прикупиле тачне временске варијабле.
Такве станице имају напредне функционалне уређаје који су међусобно повезани за прикупљање и корелацију временских података са различитих локација. Корелирани подаци се користе за прогнозу временских услова у сваком тренутку у зависности од захтева.
#5. Временске серије у пословном развоју
Подаци о временским серијама омогућавају предузећима да доносе пословне одлуке. Ово се постиже када процес анализира прошле податке како би извео будуће догађаје и бацио светло на вероватне могућности. Образац прошлих података се користи за извођење следећих параметара:
- Пословни раст: За процену укупних финансијских и пословних перформанси и мерење раста, подаци о временским серијама су најпогодније и најпоузданије средство.
- Процена тренда: За процену трендова у настајању могу се користити различите методе временских серија. Узмите у обзир, на пример, ове методе анализирају посматрања података током одређеног временског периода да би се одразило на повећање или смањење продаје одређеног електронског уређаја.
- Откријте сезонске обрасце: Забележени подаци могу открити флуктуације и сезонске обрасце који би могли да помогну у предвиђању података. Добијени подаци играју кључну улогу за тржишта на којима цене производа варирају сезонски. Такви подаци могу помоћи предузећима у бољем планирању и развоју производа.
Закључак 👨🏫
Укратко, подаци временске серије се могу посматрати као карактеристике комплексних тачака података прикупљених током константног временског периода. Анализа временских серија, моделирање и предвиђање постали су саставни део нашег свакодневног живота са појавом ИоТ гаџета, паметних кућних апарата и преносивих уређаја. Осим тога, подаци временске серије налазе своју примену у различитим областима, укључујући здравство, астрофизику, економију, инжењеринг, бизнис и многе друге.