tsfresh

يحتوي هذا المستودع على حزمة بايثون TSFRESH. والاختصار يعني

"استخراج ميزات السلاسل الزمنية بالاعتماد على اختبارات الفرضيات القابلة للتوسع".

تقدّم الحزمة استخراجًا منهجيًا لميزات السلاسل الزمنية من خلال الجمع بين خوارزميات راسخة من الإحصاء، وتحليل السلاسل الزمنية، ومعالجة الإشارات، والديناميكا غير الخطية مع خوارزمية قوية لاختيار الميزات. وفي هذا السياق، يُفسَّر مصطلح سلسلة زمنية بأوسع معنى ممكن، بحيث يمكن وصف أي نوع من البيانات المأخوذة أو حتى تسلسلات الأحداث.

اقضِ وقتًا أقل في هندسة الميزات

غالبًا ما يقضي علماء البيانات معظم وقتهم إما في تنظيف البيانات أو بناء الميزات. وبينما لا يمكننا تغيير الأمر الأول، يمكن أتمتة الثاني. تحرر TSFRESH وقتك الذي تقضيه في بناء الميزات عبر استخراجها تلقائيًا. وبالتالي، يتوافر لديك وقت أطول لدراسة أحدث ورقة بحثية في التعلّم العميق، أو قراءة Hacker News، أو بناء نماذج أفضل.

الاستخراج التلقائي لمئات الميزات

تستخرج TSFRESH تلقائيًا مئات الميزات من السلاسل الزمنية. تصف هذه الميزات الخصائص الأساسية للسلاسل الزمنية مثل عدد القمم، أو متوسط القيمة أو قيمتها القصوى، أو ميزات أكثر تعقيدًا مثل إحصائية تناظر انعكاس الزمن.

يمكن بعد ذلك استخدام مجموعة الميزات لبناء نماذج إحصائية أو نماذج تعلّم آلي على السلاسل الزمنية، تُستخدم مثلًا في مهام الانحدار أو التصنيف.

تجاهل الميزات غير ذات الصلة

غالبًا ما تحتوي السلاسل الزمنية على ضوضاء أو تكرار أو معلومات غير ذات صلة. ونتيجةً لذلك، لن تكون معظم الميزات المستخرجة مفيدة لمهمة تعلّم الآلة المطلوبة.

لتجنب استخراج ميزات غير ذات صلة، تحتوي حزمة TSFRESH على إجراء تصفية مدمج. يقيّم إجراء التصفية هذا القوة التفسيرية وأهمية كل خاصية لمهام الانحدار أو التصنيف المطلوبة.

ويستند إلى نظرية متطورة لاختبار الفرضيات ويستخدم إجراء اختبارات متعددة. ونتيجةً لذلك، تتحكم عملية التصفية رياضيًا في النسبة المئوية للميزات المستخرجة غير ذات الصلة.

حزمة TSFRESH موصوفة في الورقة البحثية مفتوحة الوصول التالية:

• Christ, M., Braun, N., Neuffer, J., and Kempa-Liehr A.W. (2018). Time Series FeatuRe Extraction on basis of Scalable Hypothesis tests (tsfresh -- A Python package). Neurocomputing 307, p. 72-77, doi: 10.1016/j.neucom.2018.03.067.

خوارزمية FRESH موصوفة في المستند التقني التالي:

• Christ, M., Kempa-Liehr, A.W., and Feindt, M. (2017). Distributed and parallel time series feature extraction for industrial big data applications. ArXiv e-print 1610.07717, https://arxiv.org/abs/1610.07717.

تحاكي نماذج الحالة الطبيعية كيفية اكتشاف البشر لشواذ السلاسل الزمنية:

• Teh, H.Y., Wang, K.I-K., Kempa-Liehr, A.W. (2021). Expect the Unexpected: Unsupervised feature selection for automated sensor anomaly detection. IEEE Sensors Journal 15.16, p. 18033-18046, doi: 10.1109/JSEN.2021.3084970.

• Teh, H.Y., Wang, K.I-K., Kempa-Liehr, A.W. (2025). Feature-based normality models for anomaly detection. Sensors 25.4757, p. 1-25, doi: 10.3390/s25154757.

يعمل الاستخراج المنهجي لميزات السلاسل الزمنية حتى في المشكلات غير الخاضعة للإشراف:

• Abrasaldo, P.M., Zarrouk, S.J., Kempa-Liehr, A.W. (2026). Feature-Based Time Series Clustering for Efficient Labeling of Geothermal Data. Geothermics 138.103656, p. 1–13, doi: 10.1016/j.geothermics.2026.103656

ونظرًا لأن tsfresh يتيح استخراج ميزات السلاسل الزمنية بشكل شبه مجاني، يمكنك الآن التركيز على هندسة سلاسل زمنية جديدة، مثل فروق الإشارات من القياسات المتزامنة، والتي توفر ميزات أفضل للسلاسل الزمنية:

• Kempa-Liehr, A.W., Oram, J., Wong, A., Finch, M., Besier, T. (2020). Feature engineering workflow for activity recognition from synchronized inertial measurement units. In: Pattern Recognition. ACPR 2019. Ed. by M. Cree et al. Vol. 1180. Communications in Computer and Information Science (CCIS). Singapore: Springer, p. 223–231. doi: 10.1007/978-981-15-3651-9_20.

• Simmons, S., Jarvis, L., Dempsey, D., Kempa-Liehr, A.W. (2021). Data Mining on Extremely Long Time-Series. In: 2021 International Conference on Data Mining Workshops (ICDMW). Ed. by B. Xue et al. Los Alamitos: IEEE, p. 1057-1066. doi: 10.1109/ICDMW53433.2021.00137.

تتيح هندسة الميزات المنهجية للسلاسل الزمنية العمل مع عينات سلاسل زمنية بأطوال مختلفة، لأن كل سلسلة زمنية تُسقَط في فضاء ميزات محدد جيدًا. ويسمح هذا النهج بتصميم خوارزميات تعلّم آلي متينة في التطبيقات التي تحتوي على بيانات مفقودة.

• Kennedy, A., Gemma, N., Rattenbury, N., Kempa-Liehr, A.W. (2021). Modelling the projected separation of microlensing events using systematic time-series feature engineering. Astronomy and Computing 35.100460, p. 1–14, doi: 10.1016/j.ascom.2021.100460

هل مشكلة تصنيف السلاسل الزمنية لديك غير متوازنة؟ هناك احتمال كبير أن يؤدي أخذ عينات أقل (undersampling) من مصفوفات ميزات السلاسل الزمنية إلى حل مشكلتك:

• Dempsey, D.E., Cronin, S.J., Mei, S., Kempa-Liehr, A.W. (2020). Automatic precursor recognition and real-time forecasting of sudden explosive volcanic eruptions at Whakaari, New Zealand. Nature Communications 11.3562, p. 1-8, doi: 10.1038/s41467-020-17375-2.

هل لا تعمل مع السلاسل الزمنية بل مع صور ثنائية وثلاثية الأبعاد؟ تُعد تسلسلات التغير المكاني (SVS) تطبيقًا ممتازًا لـ tsfresh:

• Jeune, H., Pechan, N., Reitsma, S., Kempa-Liehr, A.W. (2021). Spatial Variation Sequences for Remote Sensing Applications with Small Sample Sizes. In: 2024 Image and Video Technology. 11th Pacific-Rim Symposium, Ed. by W.Q. Yan et al., Lecture Notes in Computer Science (14403). Springer Nature: Singapore, p. 153-166. doi: {10.1007/978-981-97-0376-0_12.

• Koptev, I., Tian, J., Peel, E., Parker, R., Walker, C., Kempa-Liehr, A.W. (2025). Interpretable Dimensionality Reduction in 3D Image Recognition with Small Sample Sizes. Journal of Nondestructive Evaluation 44.44, p. 1-12, doi: 10.1007/s10921-025-01183-z.

تُعد معالجة اللغة الطبيعية للنصوص المكتوبة مثالًا على تطبيق هندسة ميزات السلاسل الزمنية المنهجية على تسلسلات الأحداث، وهي موصوفة في الورقة البحثية مفتوحة الوصول التالية:

• Tang, Y., Blincoe, K., Kempa-Liehr, A.W. (2020). Enriching Feature Engineering for Short Text Samples by Language Time Series Analysis. EPJ Data Science 9.26, p. 1–59. doi: 10.1140/epjds/s13688-020-00244-9

مزايا tsfresh

تمتلك TSFRESH عدة نقاط قوة، على سبيل المثال

1. إنها مُختبَرة ميدانيًا
2. إنها مُختبَرة عبر اختبارات الوحدات
3. عملية التصفية صحيحة إحصائيًا/رياضيًا
4. تمتلك توثيقًا شاملًا
5. إنها متوافقة مع sklearn وpandas وnumpy
6. تتيح لأي شخص إضافة ميزاته المفضلة بسهولة
7. تعمل على جهازك المحلي أو حتى على عنقود حاسوبي

الخطوات التالية

إذا كنت مهتمًا بالتفاصيل التقنية، فاطلع على توثيقنا الشامل Read-The-Docs على http://tsfresh.readthedocs.io.

الخوارزمية، وخاصة جزء التصفية، موصوفة أيضًا في الورقة البحثية المذكورة أعلاه.

نقدّر أي مساهمات، وإذا كنت مهتمًا بمساعدتنا في جعل TSFRESH أكبر أرشيف لأساليب استخراج الميزات في بايثون، فما عليك سوى التوجّه إلى تعليماتنا How-To-Contribute.

إذا كنت تريد تجربة tsfresh سريعًا أو إذا كنت تريد دمجها في سير عملك، فلدينا أيضًا صورة دوكر متاحة:

docker pull nbraun/tsfresh

التوافق مع الإصدارات السابقة

إذا كنت بحاجة إلى إعادة إنتاج أو تحديث ميزات السلاسل الزمنية التي حُسبت باستخدام حاسبات ميزات matrixprofile، فأنت بحاجة إلى إنشاء بيئة Python 3.8:

conda create --name tsfresh__py_3.8 python=3.8
conda activate tsfresh__py_3.8
pip install tsfresh[matrixprofile]

شكر وتقدير

تم تمويل البحث والتطوير الخاص بـ TSFRESH جزئيًا من قبل الوزارة الاتحادية الألمانية للتعليم والبحث بموجب رقم المنحة 01IS14004 (مشروع iPRODICT).