Phân tích định kỳ là việc khai thác các mẫu tuần hoàn, cụ thể là tìm kiếm các mẫu lặp lại trong dữ liệu chuỗi liên quan đến thời gian. Phân tích định kỳ có thể được sử dụng trong một số lĩnh vực quan trọng. Ví dụ:các mùa, thủy triều, quỹ đạo hành tinh, mức tiêu thụ điện năng hàng ngày, mô hình giao thông hàng ngày và các chương trình truyền hình hàng tuần đều hiển thị các mô hình định kỳ nhất định.
Phân tích định kỳ được triển khai trên dữ liệu chuỗi thời gian, bao gồm các chuỗi giá trị hoặc sự kiện thường được đo lường trong các khoảng thời gian bằng nhau (ví dụ:hàng giờ, hàng ngày, hàng tuần). Nó cũng có thể được áp dụng cho dữ liệu trình tự liên quan đến thời gian khác trong đó giá trị hoặc sự kiện có thể xảy ra ở một khoảng thời gian không bằng nhau hoặc bất kỳ lúc nào (ví dụ:giao dịch trực tuyến). Hơn nữa, các yếu tố được phân tích có thể là dữ liệu số, bao gồm biến động nhiệt độ hàng ngày hoặc mức tiêu thụ điện năng hoặc các bản ghi phân loại (sự kiện), bao gồm cả việc mua một sản phẩm hoặc xem một trò chơi.
Các vấn đề của việc khai thác các mẫu tuần hoàn có thể được xem xét từ nhiều khía cạnh. Nó phụ thuộc vào mức độ bao phủ của mẫu và nó có thể phân loại các mẫu tuần hoàn thành các mẫu tuần hoàn toàn bộ so với một phần -
A mẫu định kỳ đầy đủ là một mẫu mà mọi thời điểm đều đóng góp (chính xác hoặc gần đúng) vào hành vi tuần hoàn của một chuỗi liên quan đến thời gian. Ví dụ:tất cả các ngày trong năm đều đóng góp vào chu kỳ mùa trong năm.
A dạng tuần hoàn một phần chỉ định hành vi tuần hoàn của một chuỗi liên quan đến thời gian tại một số nhưng không phải tất cả các điểm trong thời gian. Ví dụ, Sandy đọc Thời báo New York từ 7 giờ đến 7 giờ 30 mỗi sáng các ngày trong tuần, nhưng các hoạt động của nó vào những thời điểm khác không thường xuyên. Tính chu kỳ từng phần là một dạng chu kỳ lỏng hơn so với chu kỳ đầy đủ và xảy ra phổ biến hơn trong thế giới thực.
Nó dựa trên độ chính xác của chu kỳ, một mẫu có thể là đồng bộ hoặc không đồng bộ, trong đó mẫu yêu cầu sự kiện xảy ra ở một khoảng thời gian tương đối cố định trong mỗi khoảng thời gian "ổn định", chẳng hạn như 3 giờ chiều. mỗi ngày, trong khi sau này cho phép sự kiện dao động trong một khoảng thời gian được xác định hơi lỏng lẻo.
Một mẫu cũng có thể chính xác hoặc gần đúng, tùy thuộc vào giá trị dữ liệu hoặc độ lệch trong một khoảng thời gian. Ví dụ:nếu Sandy đọc báo lúc 7:00 trong nhiều ngày, nhưng lúc 7:10 hoặc 7:15 vào những người khác, thì đây là một mô hình định kỳ phù hợp.