الصفحة الرئيسية>المتعلقة بالبرمجة>شفرة المصدر الأخرى
تنزيل

كوبا

هذه هي قاعدة التعليمات البرمجية الرسمية للمقالة: Koopa: تعلم ديناميكيات السلاسل الزمنية غير الثابتة مع تنبؤات كوبمان، NeurIPS 2023. [الشرائح]، [الملصق].

التحديثات

الأخبار (2024.2) مقدمة عملنا باللغة الصينية متاحة: [رسمي]، [Zhihu].

الأخبار (2023.10) تم تضمين Koopa في [مكتبة السلسلة الزمنية].

مقدمة

Koopa هو نموذج خفيف الوزن ، قائم على MLP ، ومستوحى من النظرية للتنبؤ الفعال بالسلاسل الزمنية.

  • بالمقارنة مع المتنبئين العميقين المتقدمين ولكن المدربين بعناية، تحقق Koopa أداءً متطورًا مع توفير 77.3% من وقت التدريب و 76.0% من مساحة الذاكرة.

  • التركيز على تصوير سلسلة زمنية غير ثابتة في كل مكان، يظهر Koopa قدرة نموذجية معززة مدعومة بنظرية كوبمان الحديثة التي تعالج بشكل طبيعي التطور غير الخطي للسلاسل الزمنية في العالم الحقيقي.

  • يختلف Koopa عن Koopman Autoencoder الأساسي بدون وظيفة فقدان إعادة الإعمار لتحقيق تدريب تنبؤي شامل .

المناقشات

هناك بالفعل العديد من المناقشات حول ورقتنا، ونحن نقدر كثيرًا تعليقاتهم وجهودهم القيمة: [Official]، [Openreview]، [Zhihu].

تحضير

  1. قم بتثبيت Pytorch (>=1.12.0) والتبعيات الضرورية الأخرى. 
 pip install -r requirements.txt
  1. يمكن الحصول على جميع مجموعات البيانات القياسية الست من Google Drive أو Tsinghua Cloud.

نصوص تدريبية

نحن نقدم البرامج النصية لتجربة Koopa والمعلمات الفائقة لجميع مجموعات البيانات المعيارية ضمن المجلد ./scripts . 

bash ./scripts/ECL_script/Koopa.sh
bash ./scripts/Traffic_script/Koopa.sh
bash ./scripts/Weather_script/Koopa.sh
bash ./scripts/ILI_script/Koopa.sh
bash ./scripts/Exchange_script/Koopa.sh
bash ./scripts/ETT_script/Koopa.sh

ينطبق على التوقعات المتداولة

  • من خلال تكييف المشغل مع السلاسل الزمنية الواردة أثناء التنبؤ المستمر، يمكن للنموذج المقترح تحقيق أداء أكثر دقة من خلال التكيف مع تحول التوزيع المستمر.

  • يعتمد التنفيذ الساذج لتكيف المشغل على خوارزمية DMD. نقترح خوارزمية تكرارية ذات تعقيد أقل. التفاصيل تجدونها في ملحق ورقتنا.

  • كما نقدم أيضًا دفترًا تعليميًا لفهم هذا السيناريو بشكل أفضل. راجع operator_adaptation.ipynb للحصول على التفاصيل.

الاقتباس

إذا وجدت هذا الريبو مفيدًا، فيرجى الاستشهاد بمقالتنا. 

 @article{liu2023koopa,
  title={Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors},
  author={Liu, Yong and Li, Chenyu and Wang, Jianmin and Long, Mingsheng},
  journal={arXiv preprint arXiv:2305.18803},
  year={2023}
}

اتصال

إذا كان لديك أي أسئلة أو تريد استخدام الرمز، يرجى الاتصال بـ:

يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل