TimeGAN

“时间序列生成对抗网络（TimeGAN）”的代码库

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

参考：Jinsung Yoon，Daniel Jarrett，Mihaela van der Schaar，“时间序列生成的对抗网络”，神经信息处理系统（Neurips），2019年。

纸质链接：https：//papers.nips.cc/paper/8789 time-series-generative-versarial-networks

联系人：[email protected]

该目录包含使用一个合成数据集和两个现实世界数据集的合成时间序列数据生成的TimeGAN框架的实现。

• 正弦数据：合成
• 库存数据：https：//finance.yahoo.com/quote/goog/history?p=goog
• 能源数据：http：//archive.ics.uci.edu/ml/datasets/appliances+energy+ prediction

要运行在TimeGAN框架上进行培训和评估的管道，只需运行python3 -m main_timegan.py或在tutorial_timegan.ipynb中查看timegan的jupyter -notebook教程即可。

请注意，任何模型体系结构都可以用作生成器和歧视器模型，例如RNN或变压器。

代码说明

（1）data_loading.py

• 将原始时间序列数据转换为预处理的时间序列数据（GOOGLD数据）
• 生成正弦数据

（2）指标目录（a）可视化_metrics.py

• 原始数据和合成数据之间的PCA和T-SNE分析（b）Indionative_metrics.py
• 使用事后RNN对原始数据和合成数据进行分类（C）Predivative_metrics.py
• 使用事后RNN预测一步前进（最后一个功能）

（3）TimeGan.py

• 使用原始的时间序列数据作为培训设置来构成合成时间序列数据

（4）main_timegan.py

• 报告数据集和T-SNE和PCA分析的歧视性和预测分数

（5）Utils.py

• 一些实用程序功能用于指标和时机。

命令输入：

• data_name：正弦，库存或能量
• seq_len：序列长度
• 模块：GRU，LSTM或LSTMLN
• hidden_​​dim：隐藏尺寸
• num_layers：层数
• 迭代：训练迭代次数
• batch_size：每批样本数量
• 公制：公制计算的迭代次数

请注意，应针对不同数据集优化网络参数。

示例命令

$ 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

输出

• ORI_DATA：原始数据
• 生成_data：生成的合成数据
• Metric_results：歧视和预测分数
• 可视化：PCA和TSNE分析