TimeDiffusion

定時源 - 多個時間序列任務的統一框架

支持2D（圖像）和3D（視頻）數據作為研究目的的輸入。

內容

• 安裝
• 快速開始
• 例子
• 哲學
• 基本型號
• 模型架構

安裝

pip install timediffusion

快速開始

預測時間序列

 # 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 )

創建合成時間序列

 # 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 )

時間序列插補

 # 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

時間序列：多個任務示例

預測比特幣價格示例

哲學

定時源模型背後的主要概要是，實際上，在使用時間序列時，我們沒有很多樣本，就像其他機器學習領域一樣（例如CV，NLP）。因此，像Arima這樣的經典自迴旋方法只有在原始序列上擬合 /訓練的最合適方法（也許有一些外源數據）。

定時源是從這些既定方法中汲取靈感，並且僅在輸入樣本上訓練。模型結合了最強大的現代深度學習技術，例如擴散過程，指數擴張的捲積，殘留連接和注意機制（其中一種版本）

基本型號

• TimeDiffusionProjector - 指數擴張的捲積 +殘差連接。

當前使用的主要模型

• TimeDiffusionAttention - TimeDiffusionProjector （Q，k，v）投影儀的注意機制。

目前不可行

• TimeDiffusionLiquid指數擴張的捲積，共享中間卷積層的重量。

輕巧，快速，但不如主要模型準確。

模型架構

下面介紹的是描述模型組件的圖，每個新方案代表更高水平的抽象。

• 時間塊

• 定時率項目

• 定時探測