TimeDiffusion

Timediffusion - Einheitlicher Rahmen für mehrere Zeitreihenaufgaben

Unterstützt 2D- (Bild-) und 3D -Daten (Video) als Eingabe für Forschungszwecke.

Inhalt

• Installieren
• Schneller Start
• Beispiele
• Philosophie
• Basismodelle
• Modellarchitektur

Installieren

pip install timediffusion

Schneller Start

Vorhersage von Zeitreihen

 # train sequence in shape [channels, sequence_length]
model = TD ( input_dims = train . shape ). to ( device = device )
training_losses = model . fit ( train )
# horizon : int - how many future values to forecast
predictions = model . forecast ( horizon )

Erstellen synthetischer Zeitreihen

 # sequence in shape [channels, sequence_length]
model = TD ( input_dims = seq . shape ). to ( device = device )
training_losses = model . fit ( seq )
# proximity - how close to original, samples - total synthetic time series
synthetic_data = model . synth ( proximity = 0.9 , samples = 3 , batch_size = 2 , step_granulation = 10 )

Zeitreihe Imputation

 # sequence in shape [channels, sequence_length]
model = TD ( input_dims = seq . shape ). to ( device = device )
# mask - binary array of same shape, as sequence, with 1 in positions, that are unknown
training_losses = model . fit ( seq , mask = mask )
restored_seq = model . restore ( example = seq , mask = mask )

Beispiele

Zeitreihe: Mehrfachaufgaben Beispiel

Vorhersage des Bitcoin -Preisbeispiels

Philosophie

Hauptsynopsis hinter dem Timediffusion -Modell ist, dass wir in der Realität, wenn wir mit Zeitreihen arbeiten, nicht viele Beispiele haben, wie es in anderen maschinellen Lernfeldern sein könnte (z. B. CV, NLP). Daher hat klassische autoregressive Ansätze wie Arima den am besten geeigneten Ansatz für Anpassung / Training nur für die ursprüngliche Sequenz (möglicherweise mit einigen exogenen Daten).

Timediffusion lässt sich von diesen etablierten Methoden inspirieren und nur die Eingabemestifte. Das Modell umfasst die mächtigsten modernen Deep -Lern -Techniken wie Diffusionsprozess, exponentielle erweiterte Konvolutionen, Restverbindungen und Aufmerksamkeitsmechanismus (in einer der Versionen)

Basismodelle

• TimeDiffusionProjector - Exponential Dilatatated Convolutions + Restverbindungen.

Derzeit verwendete Hauptmodell

• TimeDiffusionAttention - Aufmerksamkeitsmechanismus auf TimeDiffusionProjector (Q, K, V) Projektoren.

Derzeit nicht lebensfähig

• TimeDiffusionLiquid - Exponentielle erweiterte Konvolutionen mit gemeinsamem Gewicht der mittleren Faltungsschicht.

Leicht, schnell, aber weniger genau als das Hauptmodell.

Modellarchitektur

Im Folgenden sind Diagramme dargestellt, die Modellkomponenten darstellen, wobei jedes neue Schema ein höheres Abstraktionsniveau darstellt.

• Temporalblock

• TimediffusionProjector

• TimediffusionAtention