الصفحة الرئيسية>المتعلقة بالبرمجة>شفرة المصدر الأخرى
تنزيل

قاعدة كود لـ "شبكات الخصومة الزمنية للسلاسل الزمنية (Timegan)"

المؤلفون: Jinsung Yoon ، دانييل جاريت ، ميهلا فان دير شار

المرجع: Jinsung Yoon ، Daniel Jarrett ، Mihaela van der Schaar ، "شبكات العدوانية التوليدية للسلسلة الزمنية ،" أنظمة معالجة المعلومات العصبية (Neups) ، 2019.

رابط الورق: https://papers.nips.cc/paper/8789- الوقت-----

الاتصال: [email protected]

يحتوي هذا الدليل على تطبيقات إطار عمل Timegan لتوليد بيانات السلسلة الزمنية الاصطناعية باستخدام مجموعة بيانات اصطناعية واحدة ومجموعتين من بيانات العالم الحقيقي.

  • بيانات الجيب: الاصطناعية
  • بيانات الأسهم: https://finance.yahoo.com/quote/goog/history؟p=goog
  • بيانات الطاقة: http://archive.ics.uci.edu/ml/datasets/appliances+energy+prediction

لتشغيل خط الأنابيب للتدريب والتقييم على إطار الوقت ، ما عليك سوى تشغيل Python3 -M main_timegan.py أو انظر تعليمي jupyter -notebook لـ timegan في tutorial_timegan.ipynb.

لاحظ أنه يمكن استخدام أي بنية نموذجية كمولد ونموذج تمييز مثل RNNs أو المحولات.

رمز شرح

(1) data_loading.py

  • تحويل بيانات السلسلة الزمنية الخام إلى بيانات السلسلة الزمنية المعالجة مسبقًا (بيانات GOOGLD)
  • إنشاء بيانات جيب

(2) دليل المقاييس (أ) التصور _metrics.py

  • تحليل PCA و T-SNE بين البيانات الأصلية والبيانات الاصطناعية (ب) التمييز _metrics.py
  • استخدم RNN بعد المخصصة لتصنيف البيانات الأصلية والبيانات الاصطناعية (C) Predictive_Metrics.py
  • استخدم RNN بعد المخصصة للتنبؤ بخطوة واحدة إلى الأمام (الميزة الأخيرة)

(3) Timegan.py

  • استخدم بيانات السلسلة الزمنية الأصلية كمجموعة تدريب لبيانات السلسلة الزمنية الاصطناعية

(4) main_timegan.py

  • الإبلاغ عن الدرجات التمييزية والتنبئي لمجموعة البيانات وتحليل T-SNE و PCA

(5) utils.py

  • بعض وظائف الأداة المساعدة للمقاييس و timegan.

مدخلات الأوامر:

  • data_name: الجيب أو الأسهم أو الطاقة
  • seq_len: طول التسلسل
  • الوحدة النمطية: GRU ، LSTM ، أو LSTMLN
  • hidden_dim: أبعاد خفية
  • num_layers: عدد الطبقات
  • التكرارات: عدد تكرارات التدريب
  • Batch_size: عدد العينات في كل دفعة
  • metric_iterations: عدد التكرارات للحساب المتري

لاحظ أنه يجب تحسين معلمات الشبكة لمجموعات البيانات المختلفة.

مثال الأمر 

$ python3 main_timegan.py --data_name stock --seq_len 24 --module gru
--hidden_dim 24 --num_layer 3 --iteration 50000 --batch_size 128 
--metric_iteration 10

المخرجات

  • ORI_DATA: البيانات الأصلية
  • generated_data: بيانات اصطناعية تم إنشاؤها
  • metric_results: درجات تمييزية وتنبئ
  • التصور: تحليل PCA و TSNE
يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل