Download Koopa - Download do código-fonte Koopa

Koopa

Outro código-fonte

Baixar

Koopa

Esta é a base de código oficial do artigo: Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors, NeurIPS 2023. [Slides], [Poster].

Atualizações

Notícias (2024.2) A introdução do nosso trabalho em chinês está disponível: [Oficial], [Zhihu].

Notícias (2023.10) Koopa foi incluído na [Biblioteca de Séries Temporais].

Introdução

Koopa é um modelo leve , baseado em MLP e inspirado em teoria para previsão eficiente de séries temporais.

Comparado com os previsores profundos avançados, mas meticulosamente treinados, o Koopa alcança desempenho de última geração, economizando 77,3% do tempo de treinamento e 76,0% do consumo de memória.

Com foco na representação de séries temporais não estacionárias onipresentes, Koopa mostra capacidade aprimorada de modelo potencializada pela moderna teoria de Koopman que aborda naturalmente a evolução não linear de séries temporais do mundo real.

Koopa difere do Koopman Autoencoder canônico sem a função de perda de reconstrução para obter treinamento preditivo de ponta a ponta .

Discussões

Já existem várias discussões sobre nosso artigo, agradecemos muito por seus valiosos comentários e esforços: [Oficial], [Openreview], [Zhihu].

Preparação

Instale o Pytorch (>=1.12.0) e outras dependências necessárias.

 pip install -r requirements.txt

Todos os seis conjuntos de dados de benchmark podem ser obtidos no Google Drive ou Tsinghua Cloud.

Roteiros de treinamento

Fornecemos os scripts e hiperparâmetros do experimento Koopa de todos os conjuntos de dados de benchmark na pasta ./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

Aplicável para previsão contínua

Ao adaptar o operador nas séries temporais recebidas durante a previsão contínua, o modelo proposto pode alcançar um desempenho mais preciso através da adaptação à mudança contínua de distribuição.
A implementação ingênua da adaptação do operador é baseada no algoritmo DMD. Propomos um algoritmo iterativo com complexidade reduzida. Os detalhes podem ser encontrados no Apêndice do nosso artigo.
Também disponibilizamos um caderno tutorial para uma melhor compreensão deste cenário. Consulte operator_adaptation.ipynb para obter detalhes.

Citação

Se você achar este repositório útil, cite nosso artigo.

 @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}
}