Koopa

庫帕

這是論文的官方程式​​碼庫：Koopa：使用 Koopman 預測器學習非平穩時間序列動力學，NeurIPS 2023。

更新

新聞(2024.2) 我們的工作中文介紹可參見：【官方】、【知乎】。

新聞(2023.10) Koopa 已被納入[Time-Series-Library]。

介紹

Koopa 是一個輕量級的、基於 MLP 的、受理論啟發的模型，用於高效的時間序列預測。

• 與先進但經過艱苦訓練的深度預測器相比，Koopa 實現了最先進的性能，同時節省了77.3% 的訓練時間和76.0% 的記憶體佔用。

• Koopa 專注於描繪普遍存在的非平穩時間序列，展示了由現代庫夫曼理論增強的模型能力，該理論自然地解決了現實世界時間序列的非線性演化問題。

• Koopa 與規範的 Koopman 自動編碼器不同，它沒有重建損失函數來實現端到端的預測訓練。

討論

已經有一些關於我們論文的討論，我們非常感謝他們的寶貴意見和努力：[官方]、[Openreview]、[知乎]。

準備

1. 安裝 Pytorch (>=1.12.0) 和其他必要的依賴項。

 pip install -r requirements.txt

2. 所有六個基準資料集都可以從 Google Drive 或清華雲取得。

訓練腳本

我們在./scripts資料夾下提供了所有基準資料集的 Koopa 實驗腳本和超參數。

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

適用於滾動預測

• 透過在滾動預測期間根據輸入時間序列調整算子，所提出的模型可以透過適應連續分佈變化來實現更準確的性能。

• 算子自適應的簡單實作是基於 DMD 演算法。我們提出了一種降低複雜度的迭代演算法。詳細資訊可以在我們論文的附錄中找到。

• 我們還提供了一個教程筆記本，以便更好地理解這種情況。有關詳細信息，請參閱operator_adaptation.ipynb 。

引文

如果您發現此存儲庫有用，請引用我們的論文。

 @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}
}

接觸

如果您有任何疑問或想要使用該程式碼，請聯絡：

• [email protected]
• [email protected]