説明
LTSF-Linearは、AAAI-2023で発表された研究論文「Are Transformers Effective for Time Series Forecasting?」の公式PyTorch実装を提供します。このリポジトリは、長期時系列予測（LTSF）の課題に対処するために設計された線形モデルファミリーに焦点を当て、トランスフォーマーベースのアーキテクチャと比較して優れたパフォーマンスを示しています。
LTSF-Linearファミリーには、Linear、NLinear、DLinearの3つのコアモデルが含まれています。基本的なLinearモデルは、単層の線形モデルであり、驚くべきことに複雑なトランスフォーマーを上回る性能を発揮します。NLinearは、学習セットとテストセット間の分布シフトを処理するために入力を正規化することでパフォーマンスを向上させます。DLinearは、分解スキームと線形層を組み合わせ、トレンド成分と季節成分にデータを分離することで、より堅牢な予測を実現します。
LTSF-Linearの主な利点には、O(1)の最大信号トラバースパス長があり、短期および長期の時間的依存関係の両方を効果的に捉えることができます。これらのモデルは非常に効率的で、トランスフォーマーよりも少ないメモリ、少ないパラメータで、より高速な推論速度を実現します。さらに、LTSF-Linearモデルは解釈可能であり、重みの可視化によって予測に関する洞察を得ることができ、広範なハイパーパラメータチューニングなしで簡単に使用できます。
このリポジトリは、LTSFのベンチマークとしても機能し、単変量および多変量予測の両方をサポートします。比較分析のために、いくつかの著名な予測トランスフォーマー（Transformer, Informer, Autoformer, Pyraformer, FEDformer）の実装も含まれています。さまざまな実験設定（長期予測、ルックバックウィンドウサイズのインパクト、埋め込み戦略など）の詳細なスクリプトが提供されています。
このプロジェクトは、長期予測のための効率的で解釈可能、かつ高性能なソリューションを探している時系列分析、機械学習、予測分野の研究者や実務家にとって価値があります。ベンチマークと比較実装が含まれているため、予測モデルの評価に包括的なリソースとなります。
LTSF-Linearのハイライト
LTSF-Linearモデルの公式PyTorch実装
Linear, NLinear, DLinearモデルを含む
長期時系列予測においてトランスフォーマーベースの手法を上回る
単変量および多変量予測をサポート
低メモリ使用量と高速推論による高効率
依存関係キャプチャのためのO(1)最大信号トラバースパス長
解釈可能性のための重み可視化
長期時系列予測のためのベンチマークを含む
Transformer, Informer, Autoformer, Pyraformer, FEDformerの実装を提供
さまざまな実験設定（長期予測、ルックバックウィンドウ研究）のためのスクリプト
広範なハイパーパラメータチューニングなしで使いやすい
LTSF-Linearをはじめる
環境設定：Condaをインストールし、仮想環境を作成して、要件をインストールします。
データ準備：ベンチマークデータセットをダウンロードし、「./dataset」ディレクトリに配置します。
トレーニング：特定のモデルとデータセットについて、「./scripts」ディレクトリ内の提供されたシェルスクリプトを実行します。
モデル選択：トレーニングスクリプト内で目的のモデル（Linear, DLinear, NLinear）を指定します。
実験：長期予測、ルックバックウィンドウ研究、埋め込み戦略のためのスクリプトを利用します。
可視化：重みプロットスクリプトを実行して、モデルの動作を解釈します。
統合：カスタム時系列予測タスクのために、トレーニングおよび推論スクリプトを適応させます。
LTSF-Linearの使用例
- 長期予測
- 単変量予測
- 多変量予測
- トレンドと季節性の分析
- モデルパフォーマンスベンチマーク
- 解釈可能なAI
