Téléchargement Koopa - Téléchargement du code source Koopa

Koopa

Autre code source

Télécharger

Koopa

Ceci est la base de code officielle de l'article : Koopa : Apprentissage de la dynamique des séries temporelles non stationnaires avec les prédicteurs Koopman, NeurIPS 2023. [Diapositives], [Poster].

Mises à jour

Actualités (2024.2) L'introduction de notre travail en chinois est disponible : [Officiel], [Zhihu].

Actualités (2023.10) Koopa a été inclus dans [Time-Series-Library].

Introduction

Koopa est un modèle léger , basé sur MLP et inspiré de la théorie, pour une prévision efficace des séries chronologiques.

Comparé aux prévisionnistes approfondis avancés mais minutieusement formés, Koopa atteint des performances de pointe tout en économisant 77,3 % du temps de formation et 76,0 % de l'empreinte mémoire.

En se concentrant sur la représentation de séries chronologiques non stationnaires omniprésentes, Koopa montre une capacité de modèle améliorée renforcée par la théorie moderne de Koopman qui aborde naturellement l'évolution non linéaire des séries chronologiques du monde réel.

Koopa diffère du Koopman Autoencoder canonique sans la fonction de perte de reconstruction pour réaliser un entraînement prédictif de bout en bout .

Discussions

Il y a déjà plusieurs discussions sur notre article, nous apprécions beaucoup pour leurs précieux commentaires et efforts : [Official], [Openreview], [Zhihu].

Préparation

Installez Pytorch (>=1.12.0) et les autres dépendances nécessaires.

 pip install -r requirements.txt

Les six ensembles de données de référence peuvent être obtenus à partir de Google Drive ou de Tsinghua Cloud.

Scripts de formation

Nous fournissons les scripts d'expérience Koopa et les hyperparamètres de tous les ensembles de données de référence dans le dossier ./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

Applicable pour la prévision glissante

En adaptant l'opérateur sur les séries temporelles entrantes pendant la prévision glissante, le modèle proposé peut atteindre des performances plus précises en s'adaptant au changement de distribution continu.
L'implémentation naïve de l'adaptation des opérateurs est basée sur l'algorithme DMD. Nous proposons un algorithme itératif de complexité réduite. Les détails peuvent être trouvés dans l’annexe de notre article.
Nous mettons également à disposition un cahier tutoriel pour une meilleure compréhension de ce scénario. Voir operator_adaptation.ipynb pour les détails.

Citation

Si vous trouvez ce dépôt utile, veuillez citer notre article.

 @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}
}