Descripción
LTSF-Linear proporciona la implementación oficial en PyTorch para el artículo de investigación "Are Transformers Effective for Time Series Forecasting?", presentado en AAAI-2023. Este repositorio se centra en una familia de modelos lineales diseñados para abordar los desafíos del pronóstico de series temporales a largo plazo (LTSF), demostrando un rendimiento superior en comparación con las arquitecturas basadas en transformers.
La familia LTSF-Linear incluye tres modelos principales: Linear, NLinear y DLinear. El modelo básico Linear es un modelo lineal de una sola capa que, sorprendentemente, supera a los transformers complejos. NLinear mejora el rendimiento normalizando las entradas para manejar los cambios de distribución entre los conjuntos de entrenamiento y prueba. DLinear combina un esquema de descomposición con capas lineales, separando los datos en componentes de tendencia y estacionales para un pronóstico más robusto.
Las ventajas clave de LTSF-Linear incluyen su longitud de ruta de máxima señal de O(1), lo que permite capturar eficazmente dependencias temporales tanto a corto como a largo plazo. Los modelos son altamente eficientes, requieren menos memoria, menos parámetros y ofrecen velocidades de inferencia más rápidas que los transformers. Además, los modelos LTSF-Linear son interpretables, permitiendo la visualización de pesos para obtener información sobre las predicciones, y son fáciles de usar sin una afinación exhaustiva de hiperparámetros.
El repositorio también sirve como un benchmark para LTSF, admitiendo pronósticos univariados y multivariados. Incluye implementaciones de varios transformers de pronóstico prominentes (Transformer, Informer, Autoformer, Pyraformer, FEDformer) para análisis comparativo. Se proporcionan scripts detallados para varios escenarios experimentales, incluyendo pronóstico a largo plazo, el impacto de los tamaños de la ventana de look-back y las estrategias de incrustación.
Este proyecto es valioso para investigadores y profesionales en análisis de series temporales, aprendizaje automático y pronóstico que buscan soluciones eficientes, interpretables y de alto rendimiento para predicciones a largo plazo. La inclusión de un benchmark e implementaciones comparativas lo convierte en un recurso completo para evaluar modelos de pronóstico.
Aspectos destacados de LTSF-Linear
Implementación oficial en PyTorch de los modelos LTSF-Linear
Incluye los modelos Linear, NLinear y DLinear
Supera a los métodos basados en transformers en pronóstico de series temporales a largo plazo
Soporta pronóstico univariado y multivariado
Alta eficiencia con menor memoria y inferencia más rápida
Longitud de ruta de máxima señal O(1) para la captura de dependencias
Visualización de pesos para interpretabilidad
Incluye benchmark para pronóstico de series temporales a largo plazo
Proporciona implementaciones de Transformer, Informer, Autoformer, Pyraformer, FEDformer
Scripts para varios escenarios experimentales (pronóstico a largo plazo, estudio de ventana de look-back)
Fácil de usar sin afinación exhaustiva de hiperparámetros
Primeros pasos con LTSF-Linear
Configurar entorno: Instalar Conda, crear un entorno virtual e instalar los requisitos.
Preparación de datos: Descargar los datasets de benchmark y colocarlos en el directorio './dataset'.
Entrenamiento: Ejecutar los scripts de shell proporcionados en el directorio './scripts' para modelos y datasets específicos.
Selección de modelo: Especificar el modelo deseado (Linear, DLinear, NLinear) dentro de los scripts de entrenamiento.
Experimentación: Utilizar los scripts para pronóstico a largo plazo, estudios de ventana de look-back y estrategias de incrustación.
Visualización: Ejecutar los scripts de trazado de pesos para interpretar el comportamiento del modelo.
Integración: Adaptar los scripts de entrenamiento e inferencia para tareas personalizadas de pronóstico de series temporales.
Casos de uso de LTSF-Linear
- Pronóstico a largo plazo
- Pronóstico univariado
- Pronóstico multivariado
- Análisis de tendencia y estacionalidad
- Benchmarking de rendimiento de modelos
- IA interpretable
