Chuỗi thời gian là một chuỗi các điểm dữ liệu xảy ra theo thứ tự liên tiếp trong một khoảng thời gian. Ví dụ, chuỗi thời gian có thể ghi lại các giá trị của một chỉ số chứng khoán trong một khoảng thời gian nhất định. Chuỗi thời gian có ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau như quan sát hoạt động của sóng điện trong não, đo lượng mưa, dự báo giá cổ phiếu, theo dõi doanh số bán lẻ hàng năm, số lượng đăng ký hàng tháng, nhịp tim mỗi phút, v.v. Dữ liệu chuỗi thời gian được thu thập thông qua các phép đo lặp lại theo thời gian và mọi sự thay đổi trong thời gian đều được ghi nhận.
Sự khác biệt giữa dữ liệu chuỗi thời gian và dữ liệu không theo thời gian là gì?
Dữ liệu không theo thời gian là những dữ liệu độc lập với yếu tố thời gian, ví dụ như dữ liệu về địa lý. Trong khi đó, trong dữ liệu chuỗi thời gian, yếu tố thời gian là yếu tố quan trọng và ít nhất một biến phụ thuộc phụ thuộc vào yếu tố thời gian đó. Ví dụ về dữ liệu chuỗi thời tiết là một điển hình cho dữ liệu chuỗi thời gian.
Bạn đang xem: Chuỗi thời gian là gì? What is time series?
Các thành phần của chuỗi thời gian
Một chuỗi thời gian thông thường được chia thành 4 thành phần con sau:
- Trend: Thành phần này chỉ ra xu hướng tổng quan của dữ liệu theo thời gian, ví dụ như dòng tiền trong lĩnh vực kinh tế thường có xu hướng tăng.
- Mùa vụ: Thành phần này chỉ ra các xu hướng theo mùa, theo tháng, theo quý, v.v. Ví dụ bao gồm biến động thời tiết, lịch kinh doanh và các sự kiện trên lịch như các ngày lễ.
- Chu kỳ: Thành phần này chỉ ra xu hướng vận động trong một khoảng thời gian dài hơn, ví dụ như chu kỳ kinh tế 7 năm hay hơn.
- Nhiễu trắng: Thành phần này chỉ ra sự bất thường của dữ liệu sau khi đã loại bỏ các thành phần trên. Đây có thể là các độ nhiễu ngẫu nhiên không có quy luật hoặc sự phi thường.
Thay vì dự báo trên dữ liệu gốc, ta thường thực hiện dự báo trên từng thành phần con để thu được một cái nhìn rõ ràng hơn về xu hướng và sau đó kết hợp các thành phần lại với nhau. Vì dữ liệu chuỗi thời gian có chu kỳ vận động trong một khoảng thời gian dài, và do hạn chế của dữ liệu, chúng ta thường chỉ quan tâm đến 3 thành phần chính là Trends, Seasonality và Irregular remainder.
Ví dụ về dữ liệu chuỗi thời gian
Hãy xem biểu đồ thay đổi giá cổ phiếu sau: Trên biểu đồ, trục thời gian đo lường sự thay đổi giá cổ phiếu theo thời gian. Trong lĩnh vực đầu tư, chuỗi thời gian được sử dụng để theo dõi sự biến động của các giá trị, ví dụ như giá cổ phiếu trong một khoảng thời gian xác định với các điểm dữ liệu được ghi lại đều đặn. Điều này có thể được thực hiện trong khoảng thời gian ngắn (ví dụ: giá cổ phiếu hàng giờ trong một ngày làm việc) hoặc trong khoảng thời gian dài hơn (ví dụ: giá cổ phiếu vào cuối ngày cuối cùng của mỗi tháng trong suốt 5 năm).
Xem thêm : Bột agar là gì? Có mấy loại, mua bột agar ở đâu
Một ví dụ khác là việc theo dõi sức khỏe của bệnh nhân, ví dụ như trong điện tâm đồ (ECG), để theo dõi hoạt động của tim và xác định nếu nó hoạt động bình thường hay không.
Ngoài ra, dữ liệu chuỗi thời gian có thể được ghi lại bất kỳ khi nào xảy ra một sự kiện, ví dụ như việc ghi lại logs trong lập trình. Logs thường ghi lại các sự kiện, quy trình, thông báo và giao tiếp giữa các ứng dụng và hệ điều hành.
Dữ liệu chuỗi thời gian được sử dụng để thu thập, lưu trữ, hiển thị và phân tích trong nhiều lĩnh vực khác nhau bao gồm:
- Khám phá dữ liệu, nhận dạng mẫu và học máy: phân tích chuỗi thời gian được sử dụng để phân loại, phân cụm, truy vấn theo nội dung, phát hiện bất thường và dự báo hoạt động trong tương lai.
- Xử lý tín hiệu, công nghệ điều khiển và truyền thông: dữ liệu chuỗi thời gian được sử dụng để phát hiện và ước tính tín hiệu.
- Thống kê, kinh tế lượng, tài chính định lượng, địa chấn học, khí tượng và địa lý: phân tích chuỗi thời gian được sử dụng để dự báo.
Dữ liệu chuỗi thời gian có thể được trực quan hóa thông qua các biểu đồ khác nhau để giúp phân tích xu hướng và phát hiện bất thường. Phân tích và dự báo chuỗi thời gian được sử dụng để xác định và dự đoán các mẫu. Dưới đây là một tổng quan ngắn về từng loại.
Phân tích chuỗi thời gian
Phân tích chuỗi thời gian là phương pháp phân tích một chuỗi các điểm dữ liệu thu thập được trong một khoảng thời gian nhất định. Trong phân tích chuỗi thời gian, các điểm dữ liệu được ghi lại đều đặn trong giai đoạn nhất định, thay vì có sự ngắt quãng hoặc ngẫu nhiên. Phân tích chuỗi thời gian sử dụng phương pháp thống kê để phân tích và rút ra thông tin ý nghĩa về dữ liệu. Điều này giúp xác định xu hướng, chu kỳ và sự khác biệt theo mùa để dự đoán các sự kiện trong tương lai.
Xem thêm : Bằng Cử Nhân Kinh Tế Tiếng Anh Là Gì, Bachelor Là Gì
Để tìm hiểu thêm về phân tích chuỗi thời gian, bạn có thể tham khảo tại đây: [link](https://machinelearningcoban.com/tabml_book/ch_data_processing/timeseries_data.html)
Dự báo chuỗi thời gian
Dự báo chuỗi thời gian sử dụng thông tin về các giá trị lịch sử và các mẫu liên quan để dự đoán hoạt động trong tương lai. Để dự báo, mô hình chuỗi thời gian làm việc trên dữ liệu thời gian và trích xuất tri thức để đưa ra quyết định. Các mô hình chuỗi thời gian rất hữu ích khi có sự tương quan thời gian trong dữ liệu. Dự báo chuỗi thời gian sẽ được đề cập cụ thể trong bài viết sau này.
Tại sao cần cơ sở dữ liệu chuỗi thời gian?
Cơ sở dữ liệu chuỗi thời gian (Time Series Database – TSDB) trở thành một danh mục cơ sở dữ liệu mạnh mẽ nhất với những lý do sau:
- Quy mô: TSDB (bao gồm cả NoSQL và SQL) hiệu quả nếu thời gian được coi là một yếu tố quan trọng. Điều này cho phép lưu trữ và truy xuất dữ liệu quy mô lớn, cải thiện hiệu suất truy vấn và nén dữ liệu.
- Khả năng sử dụng: TSDB thường có các tính năng tích hợp như truy vấn tổng hợp, chính sách lưu trữ dữ liệu và nhóm thời gian linh hoạt, cung cấp trải nghiệm người dùng tốt hơn và hỗ trợ tác vụ phân tích dữ liệu một cách mượt mà hơn.
Do đó, các nhà phát triển ưa chuộng và sử dụng TSDB cho nhiều trường hợp sử dụng khác nhau:
- Theo dõi hành vi khách hàng.
- Giám sát máy móc, thiết bị kết nối và IoT.
- Investopedia. What Is a Time Series and How Is It Used to Analyze Data?
- influxdata. What is time series data?
- Nathan. Cơ Bản Về Lớp Giải Thuật Time Series Forecasting.
- Phạm Đình Khánh. Khoa học dữ liệu.
Series này được dịch và viết với mục đích học tập nên có thể có sai sót. Tôi rất hoan nghênh ý kiến góp ý của các bạn nếu có chỗ nào chưa chính xác. Cảm ơn!
