Koopa下载 - Koopa源码下载

Koopa

其他源码

下载

库帕

这是论文的官方代码库：Koopa：使用 Koopman 预测器学习非平稳时间序列动力学，NeurIPS 2023。[幻灯片]，[海报]。

更新

新闻(2024.2) 我们的工作中文介绍可参见：【官方】、【知乎】。

新闻(2023.10) Koopa 已被纳入[Time-Series-Library]。

介绍

Koopa 是一个轻量级的、基于 MLP 的、受理论启发的模型，用于高效的时间序列预测。

与先进但经过艰苦训练的深度预测器相比，Koopa 实现了最先进的性能，同时节省了77.3% 的训练时间和76.0% 的内存占用。

Koopa 专注于描绘普遍存在的非平稳时间序列，展示了由现代库夫曼理论增强的模型能力，该理论自然地解决了现实世界时间序列的非线性演化问题。

Koopa 与规范的 Koopman 自动编码器不同，它没有重建损失函数来实现端到端的预测训练。

讨论

已经有一些关于我们论文的讨论，我们非常感谢他们的宝贵意见和努力：[官方]、[Openreview]、[知乎]。

准备

安装 Pytorch (>=1.12.0) 和其他必要的依赖项。

 pip install -r requirements.txt

所有六个基准数据集都可以从 Google Drive 或清华云获取。

训练脚本

我们在./scripts文件夹下提供了所有基准数据集的 Koopa 实验脚本和超参数。

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

适用于滚动预测

通过在滚动预测期间根据输入时间序列调整算子，所提出的模型可以通过适应连续分布变化来实现更准确的性能。
算子自适应的简单实现基于 DMD 算法。我们提出了一种降低复杂度的迭代算法。详细信息可以在我们论文的附录中找到。
我们还提供了一个教程笔记本，以便更好地理解这种情况。有关详细信息，请参阅operator_adaptation.ipynb 。

引文

如果您发现此存储库有用，请引用我们的论文。

 @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}
}