TimeDiffusion

定时源 - 多个时间序列任务的统一框架

支持2D（图像）和3D（视频）数据作为研究目的的输入。

内容

• 安装
• 快速开始
• 例子
• 哲学
• 基本型号
• 模型架构

安装

pip install timediffusion

快速开始

预测时间序列

 # 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 )

创建合成时间序列

 # 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 )

时间序列插补

 # 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 )

例子

时间序列：多个任务示例

预测比特币价格示例

哲学

定时源模型背后的主要概要是，实际上，在使用时间序列时，我们没有很多样本，就像其他机器学习领域一样（例如CV，NLP）。因此，像Arima这样的经典自回旋方法只有在原始序列上拟合 /训练的最合适方法（也许有一些外源数据）。

定时源是从这些既定方法中汲取灵感，并且仅在输入样本上训练。模型结合了最强大的现代深度学习技术，例如扩散过程，指数扩张的卷积，残留连接和注意机制（其中一种版本）

基本型号

• TimeDiffusionProjector - 指数扩张的卷积 +残差连接。

当前使用的主要模型

• TimeDiffusionAttention - TimeDiffusionProjector （Q，k，v）投影仪的注意机制。

目前不可行

• TimeDiffusionLiquid指数扩张的卷积，共享中间卷积层的重量。

轻巧，快速，但不如主要模型准确。

模型架构

下面介绍的是描述模型组件的图，每个新方案代表更高水平的抽象。

• 时间块

• 定时率项目

• 定时探测