TimeGAN

"시계열 생성 적대자 네트워크 (Timegan)"에 대한 코드베이스

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

참조 : Jinsung Yoon, Daniel Jarrett, Mihaela van der Schaar, "시계열 생성 적대 네트워크", 신경 정보 처리 시스템 (Neurips), 2019.

종이 링크 : https://papers.nips.cc/paper/8789-time-series-generative-adversarial-networks

연락처 : [email protected]

이 디렉토리에는 하나의 합성 데이터 세트와 2 개의 실제 데이터 세트를 사용하여 합성 시계열 데이터 생성을위한 Timegan 프레임 워크 구현이 포함되어 있습니다.

• 사인 데이터 : 합성
• 재고 데이터 : https://finance.yahoo.com/quote/goog/history?p=goog
• 에너지 데이터 : http://archive.ics.uci.edu/ml/datasets/appliances+ernergy+prediction

Timegan Framwork에서 교육 및 평가를위한 파이프 라인을 실행하려면 Python3 -m main_timegan.py를 실행하거나 Tutorial_timegan.ipynb에서 Timegan의 Jupyter -Notebook 자습서를 참조하십시오.

모든 모델 아키텍처는 RNN 또는 변압기와 같은 발전기 및 판별기 모델로 사용할 수 있습니다.

코드 설명

(1) data_loading.py

• 원시 시계열 데이터 변환 사전 처리 된 시계열 데이터로 변환 (GOOGLD 데이터)
• 사인 데이터를 생성합니다

(2) 메트릭 디렉토리 (a) visualization_metrics.py

• 원래 데이터와 합성 데이터 간의 PCA 및 T-SNE 분석 (B) Destriminative_Metrics.py
• 사후 RNN을 사용하여 원본 데이터 및 합성 데이터를 분류하십시오 (c) predictive_metrics.py
• 사후 RNN을 사용하여 1 단계를 예측하십시오 (마지막 기능)

(3) Timegan.py

• 원래 시계열 데이터를 속도 합성 시계열 데이터에 대한 교육 세트로 사용하십시오.

(4) main_timegan.py

• 데이터 세트 및 T-SNE 및 PCA 분석에 대한 차별 및 예측 점수보고

(5) utils.py

• 메트릭 및 Timegan의 일부 유틸리티 기능.

명령 입력 :

• data_name : 사인, 재고 또는 에너지
• seq_len : 시퀀스 길이
• 모듈 : GRU, LSTM 또는 LSTMLN
• hidden_dim : 숨겨진 치수
• NUM_LAYERS : 레이어 수
• 반복 : 훈련 반복 횟수
• batch_size : 각 배치의 샘플 수
• metric_iterations : 메트릭 계산을위한 반복 횟수

네트워크 매개 변수는 다른 데이터 세트에 대해 최적화되어야합니다.

예제 명령

$ 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

출력

• ORI_DATA : 원본 데이터
• Generated_Data : 생성 된 합성 데이터
• Metric_Results : 차별적 및 예측 점수
• 시각화 : PCA 및 TSNE 분석