Description
LTSF-Linear fournit l'implémentation PyTorch officielle pour le papier de recherche "Are Transformers Effective for Time Series Forecasting?", présenté à AAAI-2023. Ce dépôt se concentre sur une famille de modèles linéaires conçus pour relever les défis de la prévision de séries temporelles à long terme (LTSF), démontrant des performances supérieures par rapport aux architectures basées sur les transformeurs.
Lire la suite
La famille LTSF-Linear comprend trois modèles principaux : Linear, NLinear et DLinear. Le modèle Linear de base est un modèle linéaire à une seule couche qui surpasse étonnamment les transformeurs complexes. NLinear améliore les performances en normalisant les entrées pour gérer les décalages de distribution entre les ensembles d'entraînement et de test. DLinear combine un schéma de décomposition avec des couches linéaires, séparant les données en composantes de tendance et saisonnières pour une prévision plus robuste.
Les principaux avantages de LTSF-Linear incluent sa longueur de chemin de traversée de signal maximale O(1), permettant une capture efficace des dépendances temporelles à courte et longue portée. Les modèles sont très efficaces, nécessitant moins de mémoire, moins de paramètres et offrant des vitesses d'inférence plus rapides que les transformeurs. De plus, les modèles LTSF-Linear sont interprétables, permettant la visualisation des poids pour obtenir des informations sur les prédictions, et sont faciles à utiliser sans réglage intensif des hyperparamètres.
Le dépôt sert également de référence pour la LTSF, prenant en charge la prévision univariée et multivariée. Il comprend des implémentations de plusieurs transformeurs de prévision proéminents (Transformer, Informer, Autoformer, Pyraformer, FEDformer) pour une analyse comparative. Des scripts détaillés sont fournis pour divers scénarios expérimentaux, y compris la prévision à long terme, l'impact des fenêtres de visualisation (look-back window) et les stratégies d'intégration (embedding).
Ce projet est précieux pour les chercheurs et les praticiens en analyse de séries temporelles, en apprentissage automatique et en prévision qui recherchent des solutions efficaces, interprétables et performantes pour les prédictions à long terme. L'inclusion d'une référence et d'implémentations comparatives en fait une ressource complète pour l'évaluation des modèles de prévision.
- CatégorieModèles d'IA et LLM
- Modèle tarifaireOpen source
- DéploiementCloud, Auto-hébergé
- PlateformesLinux, macOS, Windows
Fonctionnalités principales de LTSF-Linear
Implémentation PyTorch officielle des modèles LTSF-Linear
Inclut les modèles Linear, NLinear et DLinear
Surpasse les méthodes basées sur les transformeurs en prévision de séries temporelles à long terme
Prend en charge la prévision univariée et multivariée
Haute efficacité avec moins de mémoire et une inférence plus rapide
Longueur de chemin de traversée de signal maximale O(1) pour la capture des dépendances
Visualisation des poids pour l'interprétabilité
Inclut une référence pour la prévision de séries temporelles à long terme
Fournit des implémentations de Transformer, Informer, Autoformer, Pyraformer, FEDformer
Scripts pour divers scénarios expérimentaux (prévision à long terme, étude des fenêtres de visualisation)
Facile à utiliser sans réglage intensif des hyperparamètres
Premiers pas avec LTSF-Linear
Configuration de l'environnement : Installer Conda, créer un environnement virtuel et installer les prérequis.
Préparation des données : Télécharger les jeux de données de référence et les placer dans le répertoire './dataset'.
Entraînement : Exécuter les scripts shell fournis dans le répertoire './scripts' pour des modèles et des jeux de données spécifiques.
Sélection du modèle : Spécifier le modèle souhaité (Linear, DLinear, NLinear) dans les scripts d'entraînement.
Expérimentation : Utiliser les scripts pour la prévision à long terme, les études de fenêtres de visualisation et les stratégies d'intégration.
Visualisation : Exécuter les scripts de traçage des poids pour interpréter le comportement du modèle.
Intégration : Adapter les scripts d'entraînement et d'inférence pour des tâches personnalisées de prévision de séries temporelles.
Cas d'utilisation de LTSF-Linear
- Prévision à long terme
- Prévision univariée
- Prévision multivariée
- Analyse de tendance et de saisonnalité
- Référencement des performances des modèles
- IA interprétable
