설명
LTSF-Linear은 AAAI-2023에서 발표된 "Are Transformers Effective for Time Series Forecasting?" 연구 논문의 공식 PyTorch 구현을 제공합니다. 이 리포지토리는 장기 시계열 예측(LTSF)의 과제를 해결하기 위해 설계된 선형 모델 제품군에 중점을 두며, 트랜스포머 기반 아키텍처에 비해 우수한 성능을 보여줍니다.
더 읽기
LTSF-Linear 제품군에는 세 가지 핵심 모델인 Linear, NLinear, DLinear가 포함됩니다. 기본 Linear 모델은 복잡한 트랜스포머보다 놀랍도록 뛰어난 성능을 보이는 단일 계층 선형 모델입니다. NLinear는 학습 및 테스트 세트 간의 분포 이동을 처리하기 위해 입력을 정규화하여 성능을 향상시킵니다. DLinear는 분해 스킴과 선형 계층을 결합하여 데이터를 추세 및 계절 구성 요소로 분리하여 보다 강력한 예측을 수행합니다.
LTSF-Linear의 주요 장점은 O(1) 최대 신호 순회 경로 길이로, 단기 및 장기 시간 종속성을 효과적으로 포착할 수 있습니다. 이 모델들은 트랜스포머보다 적은 메모리, 적은 매개변수, 더 빠른 추론 속도를 요구하는 높은 효율성을 제공합니다. 또한, LTSF-Linear 모델은 해석 가능하여 가중치 시각화를 통해 예측에 대한 통찰력을 얻을 수 있으며, 광범위한 하이퍼파라미터 튜닝 없이도 사용하기 쉽습니다.
이 리포지토리는 단변량 및 다변량 예측을 모두 지원하는 LTSF의 벤치마크 역할도 합니다. 비교 분석을 위해 여러 유명한 예측 트랜스포머(Transformer, Informer, Autoformer, Pyraformer, FEDformer)의 구현이 포함되어 있습니다. 장기 예측, 조회 창 크기의 영향, 임베딩 전략을 포함한 다양한 실험 설정에 대한 자세한 스크립트가 제공됩니다.
이 프로젝트는 장기 예측을 위한 효율적이고 해석 가능하며 고성능 솔루션을 찾는 시계열 분석, 머신러닝 및 예측 분야의 연구원 및 실무자에게 유용합니다. 벤치마크 및 비교 구현이 포함되어 있어 예측 모델을 평가하는 포괄적인 리소스입니다.
- 카테고리AI 모델 및 LLM
- 요금제오픈소스
- 배포클라우드, 셀프 호스팅
- 플랫폼Linux, macOS, Windows
LTSF-Linear의 핵심 기능
LTSF-Linear 모델의 공식 PyTorch 구현
Linear, NLinear, DLinear 모델 포함
장기 시계열 예측에서 트랜스포머 기반 방법보다 뛰어난 성능
단변량 및 다변량 예측 지원
낮은 메모리와 빠른 추론을 통한 높은 효율성
종속성 포착을 위한 O(1) 최대 신호 순회 경로 길이
해석 가능성을 위한 가중치 시각화
장기 시계열 예측을 위한 벤치마크 포함
Transformer, Informer, Autoformer, Pyraformer, FEDformer 구현 제공
다양한 실험 설정(장기 예측, 조회 창 연구)을 위한 스크립트
광범위한 하이퍼파라미터 튜닝 없이 사용하기 쉬움
LTSF-Linear 시작하기
환경 설정: Conda를 설치하고 가상 환경을 생성한 후 요구 사항을 설치합니다.
데이터 준비: 벤치마크 데이터셋을 다운로드하여 './dataset' 디렉토리에 배치합니다.
학습: 특정 모델 및 데이터셋에 대해 './scripts' 디렉토리에서 제공된 쉘 스크립트를 실행합니다.
모델 선택: 학습 스크립트 내에서 원하는 모델(Linear, DLinear, NLinear)을 지정합니다.
실험: 장기 예측, 조회 창 연구 및 임베딩 전략을 위한 스크립트를 활용합니다.
시각화: 모델 동작을 해석하기 위해 가중치 플로팅 스크립트를 실행합니다.
통합: 사용자 지정 시계열 예측 작업을 위해 학습 및 추론 스크립트를 조정합니다.
LTSF-Linear의 사용 사례
- 장기 예측
- 단변량 예측
- 다변량 예측
- 추세 및 계절성 분석
- 모델 성능 벤치마킹
- 해석 가능한 AI
