Загрузка Koopa - Загрузка исходного кода Koopa

Koopa

Другой исходный код

Скачать

Купа

Это официальная база кода для статьи: Koopa: Изучение нестационарной динамики временных рядов с помощью предикторов Купмана, NeurIPS 2023. [Слайды], [Плакат].

Обновления

Новости (2024.2) Представление нашей работы на китайском языке доступно: [Официальный], [Чжиху].

Новости (2023.10) Купа включен в [Библиотеку временных рядов].

Введение

Koopa — это легкая , основанная на MLP и основанная на теории модель для эффективного прогнозирования временных рядов.

По сравнению с продвинутыми, но тщательно подготовленными специалистами по глубокому прогнозированию, Koopa достигает высочайшего уровня производительности, экономя при этом 77,3% времени обучения и 76,0% занимаемой памяти.

Сосредоточившись на изображении повсеместных нестационарных временных рядов, Купа демонстрирует расширенные возможности модели , обеспечиваемые современной теорией Купмана, которая естественным образом учитывает нелинейную эволюцию реальных временных рядов.

Koopa отличается от канонического автоэнкодера Купмана отсутствием функции потерь реконструкции для достижения сквозного прогнозирующего обучения .

Обсуждения

Наша статья уже обсуждалась несколько раз, мы благодарим их за ценные комментарии и усилия: [Official], [Openreview], [Zhihu].

Подготовка

Установите Pytorch (>=1.12.0) и другие необходимые зависимости.

 pip install -r requirements.txt

Все шесть наборов эталонных данных можно получить с Google Drive или Tsinghua Cloud.

Скрипты обучения

Мы предоставляем сценарии экспериментов Koopa и гиперпараметры всех наборов эталонных данных в папке ./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

Применимо для скользящего прогноза

Адаптируя оператора к входящим временным рядам во время скользящего прогноза, предлагаемая модель может обеспечить более точную производительность за счет адаптации к непрерывному сдвигу распределения.
Наивная реализация адаптации оператора основана на алгоритме DMD. Мы предлагаем итерационный алгоритм пониженной сложности. Подробности можно найти в приложении к нашей статье.
Мы также предоставляем учебную тетрадь для лучшего понимания этого сценария. Подробности см. в operator_adaptation.ipynb .

Цитирование

Если вы найдете этот репозиторий полезным, процитируйте нашу статью.

 @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}
}