Koopa

这是论文《Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors》的官方代码库，发表于NeurIPS 2023。[幻灯片]，[海报]。

更新

:triangular_flag_on_post: 新闻 (2024.2) 我们工作的中文介绍现已发布：[官方]，[知乎]。

:triangular_flag_on_post: 新闻 (2023.10) Koopa已被收录到[时间序列库]中。

简介

Koopa是一个轻量级、基于MLP且受理论启发的高效时间序列预测模型。

与先进但训练耗时的深度预测器相比，Koopa达到了最先进的性能，同时节省了**77.3%的训练时间和76.0%**的内存占用。

专注于描述普遍存在的非平稳时间序列，Koopa展示了增强的模型能力，这得益于现代Koopman理论的赋能，该理论自然地解决了现实世界时间序列的非线性演化问题。

Koopa与经典的Koopman自编码器不同，它没有重构损失函数，从而实现了端到端的预测训练。

讨论

已经有几个关于我们论文的讨论，我们非常感谢他们宝贵的评论和努力：[官方]，[Openreview]，[知乎]。

准备工作

安装Pytorch（>=1.12.0）和其他必要的依赖。

pip install -r requirements.txt

所有六个基准数据集可以从Google Drive或清华云盘获取。

训练脚本

我们在./scripts文件夹下提供了Koopa实验脚本和所有基准数据集的超参数。

bash ./scripts/ECL_script/Koopa.sh
bash ./scripts/Traffic_script/Koopa.sh
bash ./scripts/Weather_script/Koopa.sh
bash ./scripts/ILI_script/Koopa.sh
bash ./scripts/Exchange_script/Koopa.sh
bash ./scripts/ETT_script/Koopa.sh

适用于滚动预测

通过在滚动预测过程中调整操作符以适应输入的时间序列，所提出的模型可以通过适应持续的分布漂移来实现更准确的性能。
操作符适应的朴素实现基于DMD算法。我们提出了一种复杂度降低的迭代算法。详细信息可以在我们论文的附录中找到。
我们还提供了一个教程笔记本，以便更好地理解这种场景。详情请参见operator_adaptation.ipynb。

引用

如果您觉得这个仓库有用，请引用我们的论文。

@article{liu2023koopa,
  title={Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors},
  author={Liu, Yong and Li, Chenyu and Wang, Jianmin and Long, Mingsheng},
  journal={arXiv preprint arXiv:2305.18803},
  year={2023}
}