TimeGAN

CodeBase para "Série Tempo Redes Adversárias Generativas (Timegan)"

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

Referência: Jinsung Yoon, Daniel Jarrett, Mihaela van der Schaar, "Série Tempo Redes Adversárias Generativas", Sistemas de Processamento de Informações Neurais (Neurips), 2019.

Link em papel: https://papers.nips.cc/paper/8789-time-series-generative-adververial-networks

Contato: [email protected]

Este diretório contém implementações da estrutura do Timegan para geração de dados de séries temporais sintéticas usando um conjunto de dados sintéticos e dois conjuntos de dados do mundo real.

• Dados senos: sintéticos
• Dados de estoque: https://finance.yahoo.com/quote/goog/history?p=goog
• Dados de energia: http://archive.ics.uci.edu/ml/datasets/appliances+energy+prediction

Para executar o pipeline para treinamento e avaliação sobre o Timegan Framwork, basta executar o python3 -m main_timegan.py ou consulte Jupyter -Notebook Tutorial of timegan em tutorial_timegan.ipynb.

Observe que qualquer arquitetura de modelo pode ser usada como modelo gerador e discriminador, como RNNs ou transformadores.

Explicação de código

(1) data_loading.py

• Transforme dados de séries temporais brutas em dados de série temporal pré-processados ​​(dados do Google)
• Gerar dados senoidais

(2) Diretório de métricas (a) visualização_metrics.py

• Análise PCA e T-SNE entre dados originais e dados sintéticos (b) discrimination_metrics.py
• Use o RNN post-hoc para classificar dados originais e dados sintéticos (c) preditiva_metrics.py
• Use o RNN post-hoc para prever uma etapa à frente (último recurso)

(3) timegan.py

• Use dados originais da série temporal como conjunto de treinamento para Gerater Data Synthetic-Series

(4) main_timegan.py

• Relate as pontuações discriminativas e preditivas para o conjunto de dados e análise T-SNE e PCA

(5) UTILS.PY

• Algumas funções de utilidade para métricas e Timegan.

Entradas de comando:

• Data_name: seno, estoque ou energia
• SEQ_LEN: comprimento da sequência
• Módulo: GRU, LSTM ou LSTMLN
• Hidden_dim: dimensões ocultas
• Num_Layers: Número de camadas
• iterações: número de iterações de treinamento
• batch_size: o número de amostras em cada lote
• Metric_iterations: Número de iterações para computação métrica

Observe que os parâmetros de rede devem ser otimizados para diferentes conjuntos de dados.

Exemplo de comando

$ 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

Saídas

• ori_data: dados originais
• gerado_data: dados sintéticos gerados
• METRIC_RESULTS: Pontuações discriminativas e preditivas
• Visualização: Análise PCA e TSNE