TimeGAN

Codebasis für "Time-Serie Generative Conversarial Networks (Timegan)" "

Autoren: Jinsung Yoon, Daniel Jarrett, Mihaela van der Schaar

Referenz: Jinsung Yoon, Daniel Jarrett, Mihaela van der Schaar, "Time-Serie Generative Contarial Networks", Neural Information Processing Systems (Neurips), 2019.

Papierlink: https://papers.nips.cc/paper/8789-time-series-generative-adverarial-networks

Kontakt: [email protected]

Dieses Verzeichnis enthält Implementierungen von Timegan Framework für synthetische Zeitreihendatenerzeugung unter Verwendung eines synthetischen Datensatzes und zwei realen Datensätze.

• Sinusdaten: synthetisch
• Stock Daten: https://finance.yahoo.com/quote/goog/history?p=goog
• Energiebedaten: http://archive.ics.uci.edu/ml/datasets/appliances+energy+Prediction

Um die Pipeline für das Training und die Bewertung in Timegan Framwork durchzuführen, führen Sie einfach Python3 -m main_timegan.py aus oder sehen Sie sich das Jupyter -Notebook -Tutorial von Timegan in tutorial_timegan.ipynb an.

Beachten Sie, dass jede Modellarchitektur als Generator- und Diskriminatormodell wie RNNs oder Transformatoren verwendet werden kann.

Code Erläuterung

(1) data_loading.py

• Verwandeln Sie RAW-Zeitreihendaten in vorverarbeitete Zeitreihendaten (Googld-Daten)
• Generieren Sie Sinusdaten

(2) Metrikverzeichnis (a) visualisierung_metrics.py

• PCA- und T-SNE-Analyse zwischen Originaldaten und synthetischen Daten (b) diskriminativ_metrics.py
• Verwenden Sie Post-hoc-RNN, um Originaldaten und synthetische Daten zu klassifizieren (c) predictive_metrics.py
• Verwenden Sie Post-hoc RNN, um ein Schritt vorauszusagen (letzte Funktion)

(3) Timegan.py

• Verwenden Sie Original-Zeitreihendaten als Schulungssatz, um Synthetic Time-Series-Daten zu generieren

(4) main_timegan.py

• Melden Sie diskriminative und prädiktive Bewertungen für die Datensatz- und T-SNE- und PCA-Analyse

(5) utils.py

• Einige Versorgungsfunktionen für Metriken und Timegan.

Befehlseingänge:

• Data_Name: Sinus, Lager oder Energie
• SEQ_LEN: Sequenzlänge
• Modul: Gru, LSTM oder LSTMLN
• Hidden_dim: versteckte Dimensionen
• num_layers: Anzahl der Schichten
• Iterationen: Anzahl der Trainings -Iterationen
• batch_size: Die Anzahl der Proben in jeder Stapel
• metric_iterations: Anzahl der Iterationen für die metrische Berechnung

Beachten Sie, dass Netzwerkparameter für verschiedene Datensätze optimiert werden sollten.

Beispielbefehl

$ 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

Ausgänge

• ori_data: Originaldaten
• generated_data: generierte synthetische Daten
• metric_results: diskriminative und prädiktive Werte
• Visualisierung: PCA- und TSNE -Analyse