TimeGAN

Basis kode untuk "Jaringan Perselisihan Generatif Seri-Waktu (Timegan)"

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

Referensi: Jinsung Yoon, Daniel Jarrett, Mihaela van der Schaar, "Jaringan Generatif Seri-Waktu Jaringan," Sistem Pemrosesan Informasi Saraf (Neurips), 2019.

Tautan kertas: https://papers.nips.cc/paper/8789-time-series-generative-adversarial-networks

Hubungi: [email protected]

Direktori ini berisi implementasi kerangka kerja Timegan untuk pembuatan data seri waktu sintetis menggunakan satu dataset sintetis dan dua dataset dunia nyata.

• Data Sine: Sintetis
• Data stok: https://finance.yahoo.com/quote/goog/history?p=goog
• Data energi: http://archive.ics.uci.edu/ml/datasets/appliances+ergy+prediction

Untuk menjalankan pipa untuk pelatihan dan evaluasi pada timegan framwork, cukup jalankan python3 -m main_timeegan.py atau lihat tutorial jupyter -notebook tentang Timegan di tutorial_timeegan.ipynb.

Perhatikan bahwa arsitektur model apa pun dapat digunakan sebagai model generator dan diskriminator seperti RNN atau transformer.

Penjelasan Kode

(1) data_loading.py

• Ubah data seri waktu mentah menjadi data seri waktu yang telah diproses (data googld)
• Menghasilkan data sinus

(2) Direktori Metrik (A) Visualisasi_Metrics.py

• Analisis PCA dan T-SNE antara data asli dan data sintetis (b) diskriminatif_metrics.py
• Gunakan RNN post-hoc untuk mengklasifikasikan data asli dan data sintetis (c) prediktif_metrics.py
• Gunakan RNN post-hoc untuk memprediksi satu langkah di depan (fitur terakhir)

(3) timegan.py

• Gunakan data seri waktu asli sebagai pelatihan yang ditetapkan untuk data generater sintetis-series sintetis

(4) Main_timeegan.py

• Laporkan skor diskriminatif dan prediktif untuk dataset dan analisis T-SNE dan PCA

(5) utils.py

• Beberapa fungsi utilitas untuk metrik dan timegan.

Input Perintah:

• Data_name: Sine, Stock, atau Energy
• SEQ_LEN: Panjang urutan
• Modul: Gru, LSTM, atau LSTMLN
• Hidden_dim: Dimensi tersembunyi
• num_layers: jumlah lapisan
• Iterasi: Jumlah iterasi pelatihan
• Batch_Size: Jumlah sampel di setiap batch
• Metric_Iterations: Jumlah iterasi untuk perhitungan metrik

Perhatikan bahwa parameter jaringan harus dioptimalkan untuk set data yang berbeda.

Contoh Perintah

$ 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

Output

• Ori_data: Data asli
• dihasilkan_data: data sintetis yang dihasilkan
• Metric_results: skor diskriminatif dan prediktif
• Visualisasi: Analisis PCA dan TSNE