تحلیل سری زمانی به زبان ساده

سری‌های زمانی، یکی از پدیده‌های پرکاربرد و جذاب در علم داده و یادگیری ماشین، دنیایی از الگوها و اطلاعات مخفی را در خود جای داده‌ است. با دقت و تجزیه تحلیل آنها، می‌توانیم تصمیم‌گیری‌های هوشمندانه‌تری در زمینه‌های متعدد مثل پیش‌بینی تقاضا، مدیریت موجودی، پیش‌بینی قیمت‌ها و حتی پیش‌بینی رفتار انسانی انجام دهیم. این پدیده با رشد روزافزون داده‌ها و تقاضای بی‌پایان برای اطلاعات دقیق و موثر، به یکی از اساسی‌ترین ابزارها در دنیای تحلیل داده تبدیل شده است.

در این مقاله، با سری زمانی به زبان ساده آشنا شوید. بدون ترفندهای پیچیده، تحلیل داده‌های زمانی را به راحتی فهمیده و در کسب و کار خود استفاده کنید.

سری های زمانی چیست؟

سری زمانی (Time Series) دنباله‌ای از نقاط داده است که به ترتیب متوالی در طول یک دوره زمانی خاص رخ می‌دهند. این مورد را می‌توان با داده‌های مقطعی (cross-sectional) مقایسه کرد که یک نقطه در زمان را ثبت می‌کند.
در واقع، سری زمانی نشان‌دهنده تغییرات داده در طول زمان است و معمولا به‌صورت متوالی در بازه‌های زمانی معین جمع‌آوری می‌شوند. این نوع داده‌ها می‌توانند در درک الگوها و رویدادها در طی زمان کمک کنند و برای تحلیل و پیش‌بینی وقوع رویدادهای آتی استفاده شوند.
در زمینه سرمایه‌گذاری، سری‌زمانی به‌عنوان ابزاری مهم برای بررسی تغییرات قیمت یا سایر متغیرهای مالی استفاده می‌شود. با ثبت نقاط داده در بازه‌های زمانی منظم، امکان پیگیری تغییرات و روندهای بازار را فراهم می‌کند. به‌عنوان مثال، با ایجاد سری‌زمانی قیمت سهام یا نرخ ارز در طول زمان، می‌توان تغییرات روزانه، هفتگی یا ماهانه را بررسی کرده و الگوها و روندها را شناسایی کرد.

مولفه‌ های سری زمانی

سری‌های زمانی می‌توانند به 4 مؤلفه اصلی تجزیه شوند که به نام "مؤلفه‌های تجزیه سری زمانی" شناخته می‌شوند. این مؤلفه‌ها در درک و تحلیل جنبه‌های مختلف حرکت مقادیر در سری‌زمانی کمک می‌کنند. 4 مؤلفه عبارتند از:

روند طولانی‌مدت (Secular Trend)

این مؤلفه نمایانگر الگوی طولانی‌مدتی است که از زنجیره داده‌های ثبت شده شناسایی می‌شود. می‌تواند صعودی یا نزولی باشد و جهت آینده را نشان دهد. عموما روند به‌عنوان میانگین و جهت کلی از هر جنبه در نظر گرفته می‌شود. با این حال، در بخش‌های خاصی از سری‌های زمانی، روند می‌تواند جابجا شود و بین جهت صعودی و نزولی نوسان کند. به‌عبارت دیگر، در بخش‌های خاصی از Time Series  ممکن است شاهد تغییر جهت یا نوسانات موقتی باشیم، اما در نهایت، روند کلی تنها یک جهت خاص، مثلا صعودی یا نزولی را نشان می‌دهد.
برای نمونه، در تابستان، دما ممکن است در یک روز افزایش یا کاهش یابد، اما روند کلی در طول دو ماه اول نشان خواهد داد که چگونه گرما از ابتدا افزایش یافته است.

روند فصلی (Seasonal Trend)

تغییرات فصلی نمایانگر وجود الگوهای ریتمیک هستند. برخی از الگوها به طور مکرر در همان دوره یا نقطه هر سال تکرار می‌شوند. به عنوان مثال، فروش چترها در فصل باران بیشتر می‌شود و تعداد خرید اسپلیت‌ها در تابستان افزایش می‌یابد. علاوه بر رویدادهای طبیعی، رویدادهای ساختگی مانند مد، فصل ازدواج، جشنواره‌ها و غیره نقش کلیدی در ایجاد ترندهای فصلی دارند.
این الگوها در زمینه‌های مختلف اقتصادی و اجتماعی تأثیر دارند و به تحلیل و برنامه‌ریزی کسب‌وکارها و تصمیم‌گیری‌های مرتبط با فصلی کمک می‌کنند. مثلا، تاجران ممکن است استراتژی‌های خاصی را در زمان‌هایی که تغییرات فصلی باعث افزایش تقاضا می‌شود، اعمال کنند تا سود خود را افزایش دهند.

تغییرات دوره ای (Cyclical Variations)

این نمایانگر الگوی دوره‌ای است که شامل حرکت‌های بالا و پایین است. ممکن است بیش از یک سال طول بکشد و از مرحله به مرحله بروز کرده تا یک دوره کامل ایجاد کند. یک مثال مهم از تغییرات دوره‌ای، چرخه‌های تجاری هستند که نشان دهنده این است که کسب و کار در طول عمر خود 4 مرحله را طی می‌کند. این مراحل شامل معرفی، گسترش، رونق و افول هستند. موفقیت شرکت در انجام دادن و استمرار فازهای خود بستگی به عملکرد آن دارد.
دوره‌های تجاری ممکن است تأثیر مهمی بر اقتصاد داشته باشند و تغییرات دوره‌ای در فعالیت‌های تجاری و اقتصادی را نشان دهند. مدیران کسب‌وکارها و صنایع ممکن است از این تحلیل برای برنامه‌ریزی استراتژیک و تصمیم‌گیری‌های مدیریتی استفاده کنند تا با مدیریت تغییرات دوره‌ای بهتر تطابق یابند و عملکرد خود را بهبود بخشند.

تغییرات نامنظم (Irregular Variations)

این اصطلاح به تغییراتی اشاره دارد که قابل کنترل نیستند و غیرقابل اجتناب هستند. این تغییرات به‌صورت تصادفی رخ می‌دهند و در مقابل تغییرات یا رویدادهای منظم قرار نمی‌گیرند و با الگوی خاصی مرتبط نیستند. همچنین این نوسانات پیش‌بینی نشده و قابل توضیح نیستند. عواملی مانند فاجعه‌های طبیعی و انسان‌ساخته می‌توانند تغییرات نامنظم را بوجود آورند.
تغییرات نامعمول به عواملی اشاره دارند که نیاز به پیش‌بینی و مدیریت دارند. این نوع تغییرات ممکن است به علت رخدادهای غیرمنتظره مانند زلزله، سیل، بحران‌های اقتصادی یا حوادث دیگر رخ دهد و برای سازمان‌ها و افراد، تصمیم‌گیری و مدیریت بهبودی برای مواجهه با این نوع تغییرات ضروری باشد.

تفاوت بین سری‌ زمانی و رگرسیون

سری‌های زمانی و رگرسیون دو روش تحلیل داده هستند که در دامنه‌های مختلف مورد استفاده قرار می‌گیرند. این دو روش دارای تفاوت‌های کلیدی هستند.

پایگاه ‌داده سری زمانی چیست؟

یک سیستم نرم‌افزاری برای ذخیره و بازیابی داده‌های سری زمانی به‌صورت جفت زمان و مقدار است. الگوریتم‌های فشرده‌سازی تخصصی برای مدیریت بهینه داده در این نوع پایگاه داده استفاده می‌شوند. مثال‌هایی از سیستم‌های نرم‌افزاری یا دیتابیس‌های مورد استفاده برای مدیریت این نوع داده‌ها عبارتند از Apache Druid و TimescaleDB.
دیتابیس‌های سری زمانی به کاربران امکان می‌دهند داده‌های زمانی مانند داده‌های سنسورها، اطلاعات مالی، اندازه‌گیری‌های زمانی و غیره را به‌صورت بهینه ذخیره کرده و به‌سرعت به آنها دسترسی پیدا کنند. این ابزارها به‌خصوص در حوزه‌هایی مانند اینترنت اشیاء  (IoT)، تحلیل مالی، نظارت بر عملکرد سیستم‌ها و بسیاری از برنامه‌های مربوط به زمان مورد استفاده قرار می‌گیرند.

برای کسب اطلاعات بیشتر در زمینه دیتابیس یا پایگاه داده، به صفحه آن مراجعه کنید.

تکرار یک ویژگی در سری زمانی را چه می گویند؟

تکرار یک ویژگی در سری زمانی را "فصلیت (Seasonality)" می‌نامند. فصلیت به‌وجود آمدن الگوها و تغییرات مکرر در داده‌های سری‌زمانی اشاره دارد. این الگوها و تغییرات مکرر معمولا در بازه‌های زمانی ثابت و دوره‌ای تکرار می‌شوند، مانند الگوهای فصلی روزانه، ماهانه، فصلی یا سالانه. 
مثال‌هایی از فصلی‌بودن در سری‌های زمانی عبارتند از افزایش فروش کالاهای مصرفی در ماه‌های تعطیلات، کاهش تقاضا برای محصولات گرمایی در فصل تابستان و افزایش مخارج مصرفی در پاییز به‌دلیل بازگشت دانش‌آموزان به مدارس.
تشخیص و مدیریت فصلی بودن در داده‌های سری زمانی اهمیت دارد، زیرا این الگوها می‌توانند در پیش‌بینی و تحلیل دقیق‌تر تغییرات زمانی و تصمیم‌گیری‌های مرتبط با کسب و کار مفید باشند.

پیش‌بینی سری زمانی در یادگیری ماشین چیست؟

در اصطلاحات ساده‌تر، پیش‌بینی سری زمانی در یادگیری ماشین به معنای پیش‌بینی وقوع و تغییرات در داده‌های مرتبط با زمان است. این نوع پیش‌بینی ممکن است برای مدیریت موجودی، پیش‌بینی تقاضا، مدیریت ریسک مالی، و تصمیم‌گیری‌های مبتنی بر زمان در مختلف صنایع مفید باشد.

تمام داده‌های جمع‌آوری شده در گذشته، اخیرا و در حال حاضر به‌عنوان ورودی برای Time Series Forecasting استفاده می‌شود که به تفصیل در مورد روندهای آینده، تغییرات فصلی، نامتناهی‌ها و موارد مشابه بر اساس الگوریتم‌های پیچیده مبتنی بر ریاضیات توضیح داده می‌شود. و با استفاده از یادگیری ماشین، پیش‌بینی سری‌زمانی در طولانی مدت سریع‌تر، دقیق‌تر و کارآمد‌تر می‌شود. یادگیری ماشین بهبود فرآیند پردازش داده‌های هر دو نوع (ساختاریافته و بی‌ساختار) را اثبات کرده است و الگوهای دقیق را به سرعت در میان حجم عظیمی از داده‌ها تشخیص می‌دهد.
می‌توان گفت که اصول یادگیری ماشین در این زمینه در واقعیت، به‌طور کلی عملکرد بهتری نسبت به روش‌های کلاسیک پیش‌بینی سری زمانی دارند. در نتیجه، روش‌های سنتی تنها به پردازش تاریخچه تقاضای جمع‌آوری‌شده پیشین محدود هستند. به عبارت دیگر، یادگیری ماشین به طور خودکار نقاط مورد علاقه در جریان نامحدود داده را تعریف کرده و سپس آن‌ها را با داده‌های مشتری تطابق می‌دهد و تحلیلی با عنوان "چه اگر" انجام می‌دهد. این منجر به روش‌های بسیار کارآمد در تحریک تقاضا در بخش تجاری و سایر حوزه‌های کاربردی می‌شود.
با این حال، این رویکرد پیش‌بینی پیچیده به طور مفید در بسیاری از جنبه‌های مدیریت و بهینه‌سازی کسب و کار استفاده می‌شود.

مثالی در زمینه‌ سری زمانی با استفاده از پایتون

فرض کنید می‌خواهیم داده‌های دمای هر روز یک شهر را در طی مدت یک ماه را بررسی کنیم و نمودار خطی از تغییرات دما در این مدت رسم کنیم. برای این کار، از کتابخانه‌های معمولی مانند Pandas و Matplotlib استفاده می‌کنیم.

این مثال نموداری از تغییرات دما در یک ماه را ایجاد می‌کند. شما می‌توانید با استفاده از داده‌های واقعی و ابزارهای پیشرفته‌تر، تحلیل‌های پیچیده‌تری روی سری زمانی‌های واقعی انجام دهید.

خلاصه کلام

سری‌های زمانی ابزاری قدرتمند و در دسترس برای تحلیل داده‌های زمانی هستند که به کمک آنها می‌توانید الگوها و تغییرات در زمان را بهبود یافته و از آنها برای تصمیم‌گیری‌های هوشمندانه‌تر در کسب‌وکار خود استفاده کنید. از آنجا که داده‌های زمانی در حوزه‌های مختلفی از جمله مالی، تجارت الکترونیک، بهداشت، و محیط زیست اهمیت دارند، تسلط به تحلیل سری‌های زمانی می‌تواند به شما کمک کند تا راهکارهای بهینه‌سازی و بهبود کسب‌وکار خود را پیاده‌سازی کنید.
بنابراین، با آشنایی به اصول پایه و تکنیک‌های تحلیل سری‌های زمانی و استفاده موثر از ابزارها و رویکردهای مدرن، شما می‌توانید به تصمیم‌گیری‌های دقیق‌تر و پیش‌بینی‌های موثرتری در کسب‌وکار خود برسید. با تمرین و تجربه در این زمینه، می‌توانید از مزایای تحلیل سری‌های زمانی بهره‌برداری کنید و در مسیر موفقیت به سمت جلب تصمیم‌گیری‌های هوشمندتر حرکت کنید.