Descrição
LTSF-Linear fornece a implementação oficial em PyTorch para o artigo de pesquisa "Are Transformers Effective for Time Series Forecasting?", apresentado na AAAI-2023. Este repositório foca em uma família de modelos lineares projetados para abordar os desafios da previsão de séries temporais de longo prazo (LTSF), demonstrando desempenho superior em comparação com arquiteturas baseadas em transformers.
A família LTSF-Linear inclui três modelos principais: Linear, NLinear e DLinear. O modelo Linear básico é um modelo linear de camada única que surpreendentemente supera transformers complexos. O NLinear aprimora o desempenho normalizando as entradas para lidar com desvios de distribuição entre os conjuntos de treinamento e teste. O DLinear combina um esquema de decomposição com camadas lineares, separando os dados em componentes de tendência e sazonais para uma previsão mais robusta.
As principais vantagens do LTSF-Linear incluem seu comprimento de caminho de travessia de sinal máximo O(1), permitindo a captura eficaz de dependências temporais de curto e longo alcance. Os modelos são altamente eficientes, exigindo menos memória, menos parâmetros e oferecendo velocidades de inferência mais rápidas do que os transformers. Além disso, os modelos LTSF-Linear são interpretáveis, permitindo a visualização de pesos para obter insights sobre as previsões, e são fáceis de usar sem ajuste extensivo de hiperparâmetros.
O repositório também serve como um benchmark para LTSF, suportando previsão univariada e multivariada. Ele inclui implementações de vários transformers de previsão proeminentes (Transformer, Informer, Autoformer, Pyraformer, FEDformer) para análise comparativa. Scripts detalhados são fornecidos para várias configurações experimentais, incluindo previsão de longo prazo, o impacto dos tamanhos da janela de look-back e estratégias de embedding.
Este projeto é valioso para pesquisadores e profissionais em análise de séries temporais, aprendizado de máquina e previsão que buscam soluções eficientes, interpretáveis e de alto desempenho para previsões de longo prazo. A inclusão de um benchmark e implementações comparativas o torna um recurso abrangente para a avaliação de modelos de previsão.
Destaques de LTSF-Linear
Implementação oficial em PyTorch dos modelos LTSF-Linear
Inclui modelos Linear, NLinear e DLinear
Supera métodos baseados em transformers em previsão de séries temporais de longo prazo
Suporta previsão univariada e multivariada
Alta eficiência com menor memória e inferência mais rápida
Comprimento de caminho de travessia de sinal máximo O(1) para captura de dependência
Visualização de pesos para interpretabilidade
Inclui benchmark para previsão de séries temporais de longo prazo
Fornece implementações de Transformer, Informer, Autoformer, Pyraformer, FEDformer
Scripts para várias configurações experimentais (previsão de longo prazo, estudo de janela de look-back)
Fácil de usar sem ajuste extensivo de hiperparâmetros
Primeiros passos com LTSF-Linear
Configurar ambiente: Instalar Conda, criar um ambiente virtual e instalar os requisitos.
Preparação de dados: Baixar conjuntos de dados de benchmark e colocá-los no diretório './dataset'.
Treinamento: Executar os scripts shell fornecidos no diretório './scripts' para modelos e conjuntos de dados específicos.
Seleção de modelo: Especificar o modelo desejado (Linear, DLinear, NLinear) dentro dos scripts de treinamento.
Experimentação: Utilizar scripts para previsão de longo prazo, estudos de janela de look-back e estratégias de embedding.
Visualização: Executar scripts de plotagem de pesos para interpretar o comportamento do modelo.
Integração: Adaptar scripts de treinamento e inferência para tarefas personalizadas de previsão de séries temporais.
Casos de uso de LTSF-Linear
- Previsão de longo prazo
- Previsão univariada
- Previsão multivariada
- Análise de tendência e sazonalidade
- Benchmarking de desempenho de modelos
- IA interpretável
