Koopa -Download – Download Koopa -Quellcodes

Koopa

Anderer Quellcode

Herunterladen

Koopa

Dies ist die offizielle Codebasis für den Artikel: Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors, NeurIPS 2023. [Folien], [Poster].

Aktualisierungen

Neuigkeiten (2024.2) Eine Einführung unserer Arbeit auf Chinesisch ist verfügbar: [Offiziell], [Zhihu].

Neuigkeiten (2023.10) Koopa wurde in die [Time-Series-Library] aufgenommen.

Einführung

Koopa ist ein leichtes , MLP-basiertes und theorieinspiriertes Modell für effiziente Zeitreihenvorhersagen.

Im Vergleich zu den fortgeschrittenen, aber sorgfältig geschulten Deep-Prognostikern erreicht Koopa eine Leistung auf dem neuesten Stand und spart gleichzeitig 77,3 % Trainingszeit und 76,0 % Speicherbedarf.

Koopa konzentriert sich auf die Darstellung allgegenwärtiger instationärer Zeitreihen und zeigt eine verbesserte Modellkapazität, die durch die moderne Koopman-Theorie ermöglicht wird, die sich auf natürliche Weise mit der nichtlinearen Entwicklung realer Zeitreihen befasst.

Koopa unterscheidet sich vom kanonischen Koopman-Autoencoder ohne die Rekonstruktionsverlustfunktion, um ein durchgängiges Vorhersagetraining zu erreichen.

Diskussionen

Es gibt bereits mehrere Diskussionen zu unserem Artikel, wir freuen uns sehr über ihre wertvollen Kommentare und Bemühungen: [Official], [Openreview], [Zhihu].

Vorbereitung

Installieren Sie Pytorch (>=1.12.0) und andere notwendige Abhängigkeiten.

 pip install -r requirements.txt

Alle sechs Benchmark-Datensätze können von Google Drive oder Tsinghua Cloud bezogen werden.

Trainingsskripte

Wir stellen die Koopa-Experimentskripte und Hyperparameter aller Benchmark-Datensätze im Ordner ./scripts bereit.

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

Gilt für rollierende Prognosen

Durch die Anpassung des Operators an die eingehenden Zeitreihen während der rollierenden Prognose kann das vorgeschlagene Modell durch die Anpassung an kontinuierliche Verteilungsverschiebungen eine genauere Leistung erzielen.
Die naive Implementierung der Operatoranpassung basiert auf dem DMD-Algorithmus. Wir schlagen einen iterativen Algorithmus mit reduzierter Komplexität vor. Die Einzelheiten finden Sie im Anhang unserer Arbeit.
Für ein besseres Verständnis dieses Szenarios stellen wir auch ein Tutorial-Notizbuch zur Verfügung. Einzelheiten finden Sie unter operator_adaptation.ipynb .

Zitat

Wenn Sie dieses Repo nützlich finden, zitieren Sie bitte unser Papier.

 @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}
}