Unduh Koopa - Unduh kode sumber Koopa

Koopa

Kode sumber lainnya

Unduh

Koopa

Ini adalah basis kode resmi untuk makalah ini: Koopa: Mempelajari Dinamika Rangkaian Waktu Non-stasioner dengan Koopman Predictors, NeurIPS 2023. [Slide], [Poster].

Pembaruan

Berita (2024.2) Pengenalan karya kami dalam bahasa Mandarin tersedia: [Resmi], [Zhihu].

Berita (2023.10) Koopa telah dimasukkan dalam [Perpustakaan Seri Waktu].

Perkenalan

Koopa adalah model yang ringan , berbasis MLP , dan terinspirasi teori untuk perkiraan deret waktu yang efisien.

Dibandingkan dengan peramal mendalam yang canggih namun terlatih dengan susah payah, Koopa mencapai kinerja tercanggih sekaligus menghemat 77,3% waktu pelatihan dan 76,0% jejak memori.

Berfokus pada penggambaran rangkaian waktu non-stasioner yang ada di mana-mana, Koopa menunjukkan peningkatan kapasitas model yang didukung oleh teori Koopman modern yang secara alami menangani evolusi nonlinier rangkaian waktu dunia nyata.

Koopa berbeda dari Koopman Autoencoder kanonik tanpa fungsi kerugian rekonstruksi untuk mencapai pelatihan prediktif ujung ke ujung .

Diskusi

Sudah ada beberapa diskusi tentang makalah kami, kami sangat menghargai komentar dan upaya mereka yang berharga: [Resmi], [Openreview], [Zhihu].

Persiapan

Instal Pytorch (>=1.12.0) dan dependensi lain yang diperlukan.

 pip install -r requirements.txt

Keenam kumpulan data benchmark tersebut dapat diperoleh dari Google Drive atau Tsinghua Cloud.

Skrip pelatihan

Kami menyediakan skrip eksperimen Koopa dan hyperparameter dari semua kumpulan data benchmark di bawah folder ./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

Berlaku untuk Prakiraan Bergulir

Dengan mengadaptasi operator pada rangkaian waktu masuk selama perkiraan bergulir, model yang diusulkan dapat mencapai kinerja yang lebih akurat melalui adaptasi terhadap pergeseran distribusi berkelanjutan.
Implementasi adaptasi operator yang naif didasarkan pada algoritma DMD. Kami mengusulkan algoritma berulang dengan kompleksitas yang lebih rendah. Rinciannya dapat ditemukan di Lampiran makalah kami.
Kami juga menyediakan buku catatan tutorial untuk pemahaman yang lebih baik tentang skenario ini. Lihat operator_adaptation.ipynb untuk detailnya.

Kutipan

Jika Anda merasa repo ini bermanfaat, silakan kutip makalah kami.

 @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}
}