หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

Codebase สำหรับ "Networks enderial Networks (TimeGan)"

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

การอ้างอิง: Jinsung Yoon, Daniel Jarrett, Mihaela van der Schaar, "เครือข่ายการใช้งานของอนุกรมเวลาที่สร้างขึ้น" ระบบการประมวลผลข้อมูลระบบประสาท (Neurips), 2019

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

ติดต่อ: [email protected]

ไดเรกทอรีนี้มีการใช้งานของ Timegan Framework สำหรับการสร้างข้อมูลอนุกรมเวลาสังเคราะห์โดยใช้ชุดข้อมูลสังเคราะห์หนึ่งชุดและชุดข้อมูลจริงสองชุด

  • ข้อมูลไซน์: สังเคราะห์
  • ข้อมูลสต็อก: https://finance.yahoo.com/quote/goog/history?p=google
  • ข้อมูลพลังงาน: http://archive.ics.uci.edu/ml/datasets/appliances+energy+prediction

ในการเรียกใช้ไปป์ไลน์สำหรับการฝึกอบรมและการประเมินผลเกี่ยวกับ Timegan Framwork เพียงเรียกใช้ Python3 -m main_timegan.py หรือดูการสอน Jupyter -Notebook ของ Timegan ใน Tutorial_timegan.ipynb

โปรดทราบว่าสถาปัตยกรรมโมเดลใด ๆ สามารถใช้เป็นเครื่องกำเนิดไฟฟ้าและแบบจำลอง discriminator เช่น RNNs หรือหม้อแปลง

คำอธิบายรหัส

(1) data_loading.py

  • แปลงข้อมูลอนุกรมเวลาดิบเป็นข้อมูลอนุกรมเวลาที่กำหนดไว้ล่วงหน้า (ข้อมูล GOOGLD)
  • สร้างข้อมูลไซน์

(2) ไดเรกทอรีตัวชี้วัด (a) การแสดงภาพ _metrics.py

  • การวิเคราะห์ PCA และ T-SNE ระหว่างข้อมูลดั้งเดิมและข้อมูลสังเคราะห์ (b) discriminative_metrics.py
  • ใช้ post-hoc rnn เพื่อจำแนกข้อมูลต้นฉบับและข้อมูลสังเคราะห์ (c) predictive_metrics.py
  • ใช้ Post-Hoc RNN เพื่อทำนายล่วงหน้าหนึ่งขั้นตอน (คุณสมบัติสุดท้าย)

(3) timegan.py

  • ใช้ข้อมูลอนุกรมเวลาดั้งเดิมเป็นชุดการฝึกอบรมเพื่อสร้างข้อมูลอนุกรมเวลาสังเคราะห์

(4) main_timegan.py

  • รายงานคะแนนการเลือกปฏิบัติและการทำนายสำหรับชุดข้อมูลและการวิเคราะห์ T-SNE และ PCA

(5) utils.py

  • ฟังก์ชั่นยูทิลิตี้บางอย่างสำหรับตัวชี้วัดและ Timegan

คำสั่งอินพุต:

  • data_name: ไซน์สต็อกหรือพลังงาน
  • seq_len: ความยาวลำดับ
  • โมดูล: GRU, LSTM หรือ LSTMLN
  • hidden_dim: มิติที่ซ่อนอยู่
  • num_layers: จำนวนเลเยอร์
  • การทำซ้ำ: จำนวนการฝึกอบรมซ้ำ
  • batch_size: จำนวนตัวอย่างในแต่ละชุด
  • Metric_iterations: จำนวนการวนซ้ำสำหรับการคำนวณตัวชี้วัด

โปรดทราบว่าพารามิเตอร์เครือข่ายควรได้รับการปรับให้เหมาะสมสำหรับชุดข้อมูลที่แตกต่างกัน

คำสั่งตัวอย่าง 

$ 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

เอาต์พุต

  • ORI_DATA: ข้อมูลต้นฉบับ
  • สร้าง _data: ข้อมูลสังเคราะห์ที่สร้างขึ้น
  • Metric_Results: คะแนนการเลือกปฏิบัติและการทำนาย
  • การสร้างภาพ: การวิเคราะห์ PCA และ TSNE
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด