探索未来：DTS - 深度时间序列预测库

探索未来：DTS - 深度时间序列预测库

dtsA Keras library for multi-step time-series forecasting.项目地址:https://gitcode.com/gh_mirrors/dt/dts

:warning: 请注意，此库目前不再积极维护 :warning:

DTS 是一个基于 Keras 的深度学习库，专注于多步时间序列预测任务。借助 Sacred 库，它使实验管理和可重复性变得更加简单。

安装与配置

DTS 兼容 Python 3.5 及以上版本，并已在 Ubuntu 16.04 上进行了测试。在安装 DTS 前，您需手动安装：

• TensorFlow（CPU 或 GPU 版本）<=1.14.0
• Keras <= 2.2.4
• Sacred <=0.7.5
• （可选）MongoDB 用于更高级的数据存储和管理

为了确保避免潜在问题，库的设置脚本不会自动安装这些依赖项。已经测试了以下版本的兼容性：

| 环境1 | 环境2 | |:----------------:|:-----------------:|
|numpy==1.14.2 | numpy==1.17.0 | |tensorflow==1.12.0| tensorflow==1.14.0| |keras==2.1.6 | keras==2.2.4 | |sacred==0.7.4 | sacred==0.7.5 |

从源代码安装 DTS，请执行：

git clone https://github.com/albertogaspar/dts.git
cd dts
pip install -e .

功能与使用方式

时间序列预测

该包提供了多种深度学习架构，适用于多步时间序列预测。利用滑动窗口方法，每个模型会接收大小为 n_T 的时间窗口，并要求预测接下来的 n_O 个时间点。如图所示：

运行实验

通过运行以下命令启动实验：

python FILENAME.py --add_config FULLPATH_TO_YAML_FILE 

或：

python FILENAME.py --add_config FULLPATH_TO_YAML_FILE --grid_search 

其中 _grid_search_ 如果设为 True，将进行超参数网格搜索，尝试所有可能的组合。_add_config_ 参数需要指向存储实验配置的 YAML 文件路径。

数据集

DTS 包含两个数据集：

1. 个体家庭电力消耗数据集：以分钟级频率记录的单一家庭近四年用电量。
2. GEFCom 2014：ISO 新英格兰地区的小时级电量消耗数据（聚合数据）。使用这个数据集时，应引用相关的研究论文。

此外，您可以选择包括外部特征（如有可用的温度读数），并对时间序列进行去趋势处理。

架构

DTS 提供了以下几种深度学习架构：

• 循环神经网络（Elmann, LSTM, GRU）
• 序列到序列模型
• 时空卷积网络
• 前馈神经网络
• ResNet

每种架构都有不同的训练和推理模式可供选择。

项目特点

1. 灵活的数据处理：支持外生特征、去趋势等数据预处理操作。
2. 多种预测架构：包括RNN、Seq2Seq、TCN和FFNN等多种模型，适应不同场景需求。
3. 实验可复现：使用Sacred库跟踪实验信息，保证结果可复现。
4. 超参数优化：支持超参数网格搜索，自动寻找最佳模型配置。
5. 丰富的示例：提供详细的示例代码和文档，帮助快速上手。

如果您对时间序列预测感兴趣，DTS 是一个值得尝试的强大工具。尽管它不处于活跃维护状态，但现有的功能和示例仍然能为您提供宝贵的参考和启发。

dtsA Keras library for multi-step time-series forecasting.项目地址:https://gitcode.com/gh_mirrors/dt/dts