TimeGAN

“時間序列生成對抗網絡（TimeGAN）”的代碼庫

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

參考：Jinsung Yoon，Daniel Jarrett，Mihaela van der Schaar，“時間序列生成的對抗網絡”，神經信息處理系統（Neurips），2019年。

紙質鏈接：https：//papers.nips.cc/paper/8789 time-series-generative-versarial-networks

聯繫人：[email protected]

該目錄包含使用一個合成數據集和兩個現實世界數據集的合成時間序列數據生成的TimeGAN框架的實現。

• 正弦數據：合成
• 庫存數據：https：//finance.yahoo.com/quote/goog/history?p=goog
• 能源數據：http：//archive.ics.uci.edu/ml/datasets/appliances+energy+ prediction

要運行在TimeGAN框架上進行培訓和評估的管道，只需運行python3 -m main_timegan.py或在tutorial_timegan.ipynb中查看timegan的jupyter -notebook教程即可。

請注意，任何模型體系結構都可以用作生成器和歧視器模型，例如RNN或變壓器。

代碼說明

（1）data_loading.py

• 將原始時間序列數據轉換為預處理的時間序列數據（GOOGLD數據）
• 生成正弦數據

（2）指標目錄（a）可視化_metrics.py

• 原始數據和合成數據之間的PCA和T-SNE分析（b）Indionative_metrics.py
• 使用事後RNN對原始數據和合成數據進行分類（C）Predivative_metrics.py
• 使用事後RNN預測一步前進（最後一個功能）

（3）TimeGan.py

• 使用原始的時間序列數據作為培訓設置來構成合成時間序列數據

（4）main_timegan.py

• 報告數據集和T-SNE和PCA分析的歧視性和預測分數

（5）Utils.py

• 一些實用程序功能用於指標和時機。

命令輸入：

• data_name：正弦，庫存或能量
• seq_len：序列長度
• 模塊：GRU，LSTM或LSTMLN
• hidden_​​dim：隱藏尺寸
• num_layers：層數
• 迭代：訓練迭代次數
• batch_size：每批樣本數量
• 公制：公制計算的迭代次數

請注意，應針對不同數據集優化網絡參數。

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

輸出

• ORI_DATA：原始數據
• 生成_data：生成的合成數據
• Metric_results：歧視和預測分數
• 可視化：PCA和TSNE分析