ดาวน์โหลด Koopa - ดาวน์โหลดซอร์สโค้ด Koopa

Koopa

ซอร์สโค้ดอื่น ๆ

ดาวน์โหลด

คูปา

นี่คือโค้ดเบสอย่างเป็นทางการสำหรับบทความนี้: Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors, NeurIPS 2023. [สไลด์], [โปสเตอร์]

อัพเดท

ข่าว (2024.2) มีการแนะนำงานของเราเป็นภาษาจีน: [เป็นทางการ], [Zhihu]

ข่าว (2023.10) Koopa ถูกรวมไว้ใน [Time-Series-Library]

การแนะนำ

Koopa เป็นโมเดล น้ำหนักเบา อิง MLP และ ได้รับแรงบันดาลใจจากทฤษฎี เพื่อการพยากรณ์อนุกรมเวลาที่มีประสิทธิภาพ

เมื่อเปรียบเทียบกับเครื่องพยากรณ์เชิงลึกขั้นสูงแต่ได้รับการฝึกฝนมาอย่างอุตสาหะ Koopa บรรลุประสิทธิภาพที่ล้ำสมัยในขณะที่ประหยัดเวลาการฝึกอบรม 77.3% และหน่วยความจำ 76.0%

Koopa มุ่งเน้นไปที่การถ่ายทอดอนุกรมเวลา ที่ไม่คงที่ ซึ่งแพร่หลายไปทั่ว โดยแสดง ความจุของโมเดลที่ได้รับการปรับปรุง ซึ่งเสริมศักยภาพโดยทฤษฎี Koopman สมัยใหม่ ซึ่งกล่าวถึงวิวัฒนาการแบบไม่เชิงเส้นของอนุกรมเวลาในโลกแห่งความเป็นจริงโดยธรรมชาติ

Koopa แตกต่างจาก Koopman Autoencoder แบบ Canonical ที่ไม่มีฟังก์ชันการสูญเสียการสร้างใหม่เพื่อให้ได้รับ การฝึกอบรมแบบคาดการณ์ตั้งแต่ต้นทางถึงปลายทาง

การอภิปราย

มีการพูดคุยกันหลายครั้งเกี่ยวกับรายงานของเรา เราขอขอบคุณมากสำหรับความคิดเห็นและความพยายามอันมีค่าของพวกเขา: [อย่างเป็นทางการ], [Openreview], [Zhihu]

การตระเตรียม

ติดตั้ง Pytorch (>=1.12.0) และการขึ้นต่อกันที่จำเป็นอื่น ๆ

 pip install -r requirements.txt

ชุดข้อมูลการวัดประสิทธิภาพทั้ง 6 ชุดสามารถรับได้จาก Google Drive หรือ Tsinghua Cloud

สคริปต์การฝึกอบรม

เราจัดเตรียมสคริปต์การทดลอง Koopa และไฮเปอร์พารามิเตอร์ของชุดข้อมูลการวัดประสิทธิภาพทั้งหมดภายใต้โฟลเดอร์ ./scripts 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

ใช้ได้กับการคาดการณ์แบบโรลลิ่ง

ด้วยการปรับตัวดำเนินการตามอนุกรมเวลาที่เข้ามาระหว่างการคาดการณ์แบบต่อเนื่อง แบบจำลองที่นำเสนอจึงสามารถบรรลุประสิทธิภาพที่แม่นยำยิ่งขึ้นผ่านการปรับให้เข้ากับการเปลี่ยนแปลงการกระจายอย่างต่อเนื่อง
การใช้งานการปรับของผู้ปฏิบัติงานโดยไร้เดียงสานั้นใช้อัลกอริทึม DMD เราเสนออัลกอริธึมวนซ้ำที่มีความซับซ้อนลดลง รายละเอียดสามารถพบได้ในภาคผนวกของเอกสารของเรา
นอกจากนี้เรายังมีสมุดบันทึกการสอนเพื่อให้เข้าใจสถานการณ์นี้ได้ดียิ่งขึ้น ดู operator_adaptation.ipynb สำหรับรายละเอียด

การอ้างอิง

หากคุณพบว่า repo นี้มีประโยชน์ โปรดอ้างอิงเอกสารของเรา

 @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}
}