使用储层计算进行时间序列分类和聚类

<div align="center" id="fig:RCClassifier"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/59f5ba30-e5ac-4feb-830e-0d000822a029.png" style="width: 22cm"> <p> 图1: RC分类器概览。 </div>

这个库可以快速实现基于*储层计算(RC)*的不同时间序列数据架构,RC是由回声状态网络在机器学习中普及的一系列方法。这个库主要用于对单变量和多变量时间序列进行分类和聚类。但它也可以用于时间序列预测。

安装

推荐使用pip安装:

pip install reservoir-computing

或者,您可以从源代码安装:

git clone https://github.com/FilippoMB/Time-series-classification-and-clustering-with-Reservoir-Computing.git
cd Time-series-classification-and-clustering-with-Reservoir-Computing
pip install -e .

快速开始

以下脚本提供了简单的示例,说明如何使用该库执行不同的任务。

要运行这些脚本,请下载项目并切换到根文件夹:

git clone https://github.com/FilippoMB/Time-series-classification-and-clustering-with-Reservoir-Computing.git
cd Time-series-classification-and-clustering-with-Reservoir-Computing

分类

python examples/classification_example.py

您也可以查看notebook或

聚类

python examples/clustering_example.py

您也可以查看notebook或

预测

python examples/forecasting_example.py

您也可以查看notebook或

框架概述

以下我们介绍该库的三个主要功能。

分类

参考图1,RC分类器包含四个不同的模块。

储层模块指定储层配置(例如,双向、漏电神经元、环形拓扑)。给定一个多变量时间序列$\mathbf{X}$,它生成一个与储层状态$\mathbf{H}$长度相同的序列。
降维模块(可选)对储层状态序列$\mathbf{H}$应用降维,生成新序列$\mathbf{\bar H}$。
表示从储层状态序列生成向量$\mathbf{r}_\mathbf{X}$,以向量形式表示原始时间序列$\mathbf{X}$。
读出模块是一个分类器,将表示$\mathbf{r}_\mathbf{X}$映射到与时间序列$\mathbf{X}$相关的类标签$\mathbf{y}$。

该库还实现了储层模型空间,这是一种非常强大的时间序列表示$\mathbf{r}_\mathbf{X}$。方法详情可以在原始论文中找到。

modules.py中的RC_model类允许指定、训练和测试RC模型。通过为每个模块选择不同的配置,可以使用多种选项来自定义RC模型。

训练和测试函数需要输入训练和测试数据,这些数据必须以形状为*[N,T,V]*的多维numpy数组提供,其中:

N = 样本数
T = 每个样本中的时间步数
V = 每个样本中的变量数

训练和测试标签(Ytr和Yte)必须以独热编码格式提供,即矩阵*[N,C],其中C*是类别数。

from reservoir_computing.modules import RC_model

clf = RC_model()
clf.fit(Xtr, Ytr) # 训练
Yhat = clf.predict(Xte) # 预测

聚类

从表示模块(步骤3)获得的表示$\mathbf{r}_\mathbf{X}$可用于执行时间序列聚类。用于分类的相同RC_model类可以配置为直接返回时间序列表示,这些表示可用于聚类和降维等无监督任务。

与分类一样,数据必须以形状为*[N,T,V]*的多维NumPy数组提供

from reservoir_computing.modules import RC_model

clst = RC_model(readout_type=None)
clst.fit(X)
rX = clst.input_repr # 输入数据的表示

表示形式rX可用于使用传统的向量数据聚类算法进行聚类，例如这里中的算法。

预测

在步骤1和2中获得的序列$\mathbf{H}$和$\mathbf{\bar H}$可以直接用于预测时间序列的未来值。

modules.py中包含的RC_forecaster类允许指定、训练和测试用于时间序列预测的RC模型。

from reservoir_computing.modules import RC_forecaster

fcst = RC_forecaster()
fcst.fit(Xtr, Ytr) # 训练
Yhat = fcst.predict(Xte) # 预测

这里，Xtr和Ytr分别是用于训练的当前值和未来值。

高级示例

以下笔记本展示了更高级的用例。

执行降维、聚类分析并可视化结果：查看或
使用高级回归模型作为读出进行概率预测：查看或
使用高级分类器作为读出：查看或

数据集

有几个可用于执行时间序列分类/聚类和预测的数据集。

分类和聚类

from reservoir_computing.datasets import ClfLoader

downloader = ClfLoader()
downloader.available_datasets(details=True)  # 打印可用数据集
Xtr, Ytr, Xte, Yte = downloader.get_data('Libras')  # 下载数据集并返回数据

预测

真实世界时间序列

from reservoir_computing.datasets import PredLoader

downloader = PredLoader()
downloader.available_datasets(details=False)  # 打印可用数据集
X = downloader.get_data('CDR')  # 下载数据集并返回数据

合成时间序列

from reservoir_computing.datasets import SynthLoader

synth = SynthLoader()
synth.available_datasets()  # 打印可用数据集
Xs = synth.get_data('Lorenz')  # 生成合成时间序列

引用

如果在您的研究中使用了这个库，请考虑引用原始论文

@article{bianchi2020reservoir,
  title={Reservoir computing approaches for representation and classification of multivariate time series},
  author={Bianchi, Filippo Maria and Scardapane, Simone and L{\o}kse, Sigurd and Jenssen, Robert},
  journal={IEEE Transactions on Neural Networks and Learning Systems},
  year={2020},
  publisher={IEEE}
}