为什么在时间序列数据上使用 AI？

• 下载源代码 - 17.9 MB

引言

我们都知道如今 AI 有多流行。有很多关于最常见的 AI 应用的文档和文章：图像分类、对象检测、回归等等。如果您看到有关数据序列的内容，很可能与文本数据有关，用于主题分类或类似的内容。

那么序列数据中的异常检测呢？这绝对需要关注，尤其是对于实时数据，例如来自传感器的时序天气测量数据、股票或加密货币价格，甚至安装在工厂中的传感器。试想一下，能够检测到船用发动机的未来异常——这样您就可以在它崩溃之前关闭它——那不是太棒了吗？

本系列文章将指导您完成使用 AI 开发一个功能齐全的时序预测器和异常检测器应用程序的步骤。我们的预测器/检测器将处理加密货币数据，特别是 比特币。但是，在跟随本系列文章之后，您将能够将您学到的概念和方法应用于任何类似性质的数据类型。

为了充分受益于本系列文章，您应该具备一些 Python、机器学习和 Keras 的技能。整个项目都可以在我的 GitHub 存储库 中找到。您还可以查看完全交互的笔记本 这里 和 这里。

在 AI 背景下理解时序数据

让我们从对时序的简要解释开始。如果您只熟悉传统的机器学习分类和回归问题，那么时序数据会给您带来一点惊喜。它是一种完全不同的建模任务，可能需要一些时间才能熟悉。它的时间结构使观察结果具有一个顺序，这种顺序无法像在任何其他类型的分析中那样处理。

时序数据可以描述为在时间上等距排列的观察序列。这种类型的数据几乎无处不在。您可以在天气信息中找到它，例如作为气象学家，在股票/加密货币价格中找到它，例如作为经济学家或交易员，在心电图中找到它，如果您在医疗领域工作，在地震读数中找到它——以及来自任何类型传感器的数据。想象一下，您可以通过分析它来实现什么，尤其是在 AI 背景下。

让我们看一个例子。下表显示了 此数据集 的前 5 行，其中包含纽约传感器捕获的天气读数。请注意它的索引，并注意它们在时间上是等距的——每天一个记录

每一列代表一个描述每天采样的现象的变量。AWND 对应于平均风速（公里/小时），PRCP 对应于平均降水（毫米），TAVG 对应于以摄氏度为单位测量的平均温度。

让我们在散点图中显示所有可用的 TAVG 数据

如您所见，保留数据点的顺序对于理解其潜在结构至关重要。在这种情况下，它代表一个明显的趋势，如果您不遵守顺序，您不会注意到这一点。

上述概念为多个任务提供了基础，尤其是在数据科学和机器学习领域。试想一下，能够预测明天的天气（预测是根据一系列过去值预测未来值的任务）。无论是要下雨，还是在更高级的情况下，明天的温度是否代表天气历史中的一个异常（异常检测）。

这个想法可以外推到任何类似数据类型的数据。例如，您可以预测明天的比特币价格。它是否代表其市场中的一个异常？如果是，那么根据它做出买入或卖出决定……那不是令人兴奋吗？

下一步

在 下一篇文章 中，我们将讨论基于比特币历史价格的时序数据预处理，用于预测和异常检测任务。敬请关注！

历史

• 2021年2月24日：初始版本