moment

<div align="center"> <img width="60%" alt="MOMENT" src="https://yellow-cdn.veclightyear.com/0a4dffa0/83ece182-99c0-4827-8135-3b10c4faa73b.png"> <h1>MOMENT: 开放时间序列基础模型系列</h1>

</div>

🔥 新闻

🔥🔥🔥 我们发布了 MOMENT研究代码，您可以使用自己的数据预训练时间序列基础模型，并重现我们论文中的实验！
我们修复了分类问题中MOMENT无法处理多通道输入的问题。
MOMENT被ICML 2024接收！
对多模态时间序列和文本基础模型感兴趣吗？请查看我们关于JoLT（时间序列和文本的联合学习表示）的初步工作 [AAAI 2024学生摘要, NeurIPS 2023 DGM4H研讨会]。JoLT在AAAI获得了最佳学生摘要展示奖！敬请期待多模态时间序列和文本基础模型！

📖 简介

我们推出MOMENT，一系列用于通用时间序列分析的开源基础模型。预训练大型时间序列模型面临挑战，原因包括：(1)缺乏大规模且连贯的公开时间序列库，(2)时间序列特性多样，导致多数据集训练困难。此外，(3)评估这些模型在资源、时间和监督有限情况下的实验基准仍处于初期阶段。为应对这些挑战，我们汇编了大规模且多样化的公开时间序列集合，称为时间序列堆（Time-series Pile），并系统地解决时间序列特有的挑战，以实现大规模多数据集预训练。最后，我们在最新研究基础上设计了一个基准，用于在有限监督环境下评估时间序列基础模型在各种任务和数据集上的表现。基准实验证明了我们预训练模型在最少数据和特定任务微调下的有效性。我们还提出了关于大型预训练时间序列模型的一些有趣的实证观察。

MOMENT：一个模型，多种任务、数据集和领域

MOMENT在不同数据集和任务上的表现，无需参数更新：

插值： 优于统计插值基准
异常检测： $F_1$值仅次于最佳基准
分类： 在16种对比方法中准确率超过11种
短期预测： 在某些数据集上优于ARIMA

通过线性探测（微调最后一层线性层）：

插值： 在6个数据集中的4个上优于基准
异常检测： 最佳$F_1$值
长期预测： 在某些情况下具有竞争力

MOMENT捕捉时间序列的语言

合成生成的正弦波嵌入的主成分分析表明，MOMENT能够捕捉微妙的趋势、尺度、频率和相位信息。在每个实验中，$c$控制感兴趣的因素，例如趋势多项式的幂$c \in [\frac{1}{8}, 8)$（Oreshkin等，2020）。我们通过改变$c$生成多个正弦波，使用MOMENT获取它们的序列级表示，并使用PCA在二维空间中可视化。

MOMENT学习数据的有意义表示

MOMENT在UCR分类档案中的ECG5000数据集上学习的表示的PCA可视化。不同颜色代表不同类别。即使没有针对特定数据集进行微调，MOMENT也能为不同类别学习独特的表示。

架构概述

时间序列被分解为固定长度的不相交子序列，称为patches，每个patch被映射到D维的patch嵌入。在预训练过程中，我们通过使用特殊的掩码嵌入[MASK]随机均匀地掩盖patches。预训练的目标是学习patch嵌入，这些嵌入可以用轻量级重建头重构输入时间序列。

🧑‍💻 使用方法

推荐Python版本： Python 3.11（预计不久将支持其他版本）。你可以使用pip安装momentfm包：

pip install momentfm

或者，直接从GitHub仓库安装最新版本：

pip install git+https://github.com/moment-timeseries-foundation-model/moment.git

要为其中一个任务加载预训练模型，请使用以下代码片段之一：

预测

from momentfm import MOMENTPipeline

model = MOMENTPipeline.from_pretrained(
    "AutonLab/MOMENT-1-large", 
    model_kwargs={
        "task_name": "forecasting",
        "forecast_horizon": 96
    },
)
model.init()

分类

from momentfm import MOMENTPipeline

model = MOMENTPipeline.from_pretrained(
    "AutonLab/MOMENT-1-large", 
    model_kwargs={
        "task_name": "classification",
        "n_channels": 1,
        "num_class": 2
    },
)
model.init()

异常检测、插值和预训练

from momentfm import MOMENTPipeline

model = MOMENTPipeline.from_pretrained(
    "AutonLab/MOMENT-1-large", 
    model_kwargs={"task_name": "reconstruction"},
)
model.init()

表示学习

from momentfm import MOMENTPipeline

model = MOMENTPipeline.from_pretrained(
    "AutonLab/MOMENT-1-large", 
    model_kwargs={"task_name": "embedding"},
)
model.init()

🧑‍🏫 教程

以下是帮助您开始使用MOMENT进行各种任务的教程和可复现实验列表：

预测
分类
异常检测
插值
表示学习
真实世界心电图(ECG)案例研究 -- 这个教程还展示了如何为真实世界的ECG分类问题微调MOMENT，在多个GPU上执行训练和推理，以及参数高效微调(PEFT)。

特别感谢Yifu Cai和Arjun Choudhry提供的教程！

所有这些实验都可以在一个配备48 GiB RAM的NVIDIA A6000 GPU上复现。

[!提示] 对使用MOMENT还有更多问题？查看常见问题解答，也许能找到您的答案！

BibTeX

@inproceedings{goswami2024moment,
  title={MOMENT: A Family of Open Time-series Foundation Models},
  author={Mononito Goswami and Konrad Szafer and Arjun Choudhry and Yifu Cai and Shuo Li and Artur Dubrawski},
  booktitle={International Conference on Machine Learning},
  year={2024}
}