KUDataForecasting
- 원본 시계열 데이터를 입력으로 받아 미래 데이터 값을 예측하는 time series forecasting 대한 설명
- 입력 데이터 형태 : 단변량 시계열 데이터(univariate time-series data)
Time series forecasting 사용 시, 설정해야하는 값
-
model : [‘lstm’, ‘gru’, ‘informer’, ‘scinet’] 중 선택
-
best_model_path : 학습 완료된 모델을 저장할 경로
-
시계열 forecasting 모델 hyperparameter : 아래에 자세히 설명.
- LSTM hyperparameter
- GRU hyperparameter
- Informer hyperparameter
- SCINet hyperparameter
시계열 forecasting 모델 hyperparameter
1. LSTM
- input_size : 데이터 변수 개수, int
- window_size : input sequence의 길이, int
- forecast_step : 예측할 미래 시점의 길이, int
- num_layers : recurrent layers의 수, int(default: 2, 범위: 1 이상)
- hidden_size : hidden state의 차원, int(default: 64, 범위: 1 이상)
- dropout : dropout 확률, float(default: 0.1, 범위: 0 이상 1 이하)
- bidirectional : 모델의 양방향성 여부, bool(default: True)
- num_epochs : 학습 epoch 횟수, int(default: 150, 범위: 1 이상)
- batch_size : batch 크기, int(default: 64, 범위: 1 이상, 컴퓨터 사양에 적합하게 설정)
- lr : learning rate, float(default: 0.0001, 범위: 0.1 이하)
- device : 학습 환경, (default: 'cuda', ['cuda', 'cpu'] 중 선택)
2. GRU
- input_size : 데이터 변수 개수, int
- window_size : input sequence의 길이, int
- forecast_step : 예측할 미래 시점의 길이, int
- num_layers : recurrent layers의 수, int(default: 2, 범위: 1 이상)
- hidden_size : hidden state의 차원, int(default: 64, 범위: 1 이상)
- dropout : dropout 확률, float(default: 0.1, 범위: 0 이상 1 이하)
- bidirectional : 모델의 양방향성 여부, bool(default: True)
- num_epochs : 학습 epoch 횟수, int(default: 150, 범위: 1 이상)
- batch_size : batch 크기, int(default: 64, 범위: 1 이상, 컴퓨터 사양에 적합하게 설정)
- lr : learning rate, float(default: 0.0001, 범위: 0.1 이하)
- device : 학습 환경, (default: 'cuda', ['cuda', 'cpu'] 중 선택)
3. Informer
- input_size : 데이터 변수 개수, int
- window_size : input sequence의 길이, int
- forecast_step : 예측할 미래 시점의 길이, int
- label_len : Decoder의 start token 길이, int(default: 12, 범위: 1 이상)
- d_model : 모델의 hidden dimension, int(default: 512, 범위: 1 이상)
- e_layers : encoder layer 수, int(default: 2, 범위: 1 이상)
- d_layers : decoder layer 수, int(default: 1, 범위: 1 이상)
- d_ff : fully connected layer의 hidden dimension, int(default: 2048, 범위: 1 이상)
- factor : 모델의 ProbSparse Attention factor, int(default: 5)
- dropout : dropout ratio, int(default: 0.05)
- attn : 모델의 attention 계산 방식, (default: 'prob', ['prob', 'full'] 중 선택)
- n_heads : multi-head attention head 수, int(default: 8)
- embed : time features encoding 방식, (default: 'timeF', ['timeF', 'fixed', 'learned'] 중 선택)
- num_epochs : 학습 epoch 횟수, int(default: 150, 범위: 1 이상)
- batch_size : batch 크기, int(default: 64, 범위: 1 이상, 컴퓨터 사양에 적합하게 설정)
- lr : learning rate, float(default: 0.0001, 범위: 0.1 이하)
- lradj : learning rate 조정 방식, (default: 'type1', ['type1', 'type2'] 중 선택)
- device : 학습 환경, (default: 'cuda', ['cuda', 'cpu'] 중 선택)
4. SCINet
- input_size : 데이터 변수 개수, int
- window_size : input sequence의 길이, int
- forecast_step : 예측할 미래 시점의 길이, int
- levels : Tree의 depth, int(default: 2, 범위: input sequence의 로그 값 이하, 2~4 설정 권장)
- stacks : SCINet 구조를 중첩하는 횟수 (default : 1, stack 값은 1을 고정적으로 사용)
- num_epochs : 학습 epoch 횟수, int(default: 150, 범위: 1 이상)
- batch_size : batch 크기, int(default: 64, 범위: 1 이상, 컴퓨터 사양에 적합하게 설정)
- lr : learning rate, float(default: 0.0001, 범위: 0.1 이하)
- device : 학습 환경, (default: 'cuda', ['cuda', 'cpu'] 중 선택)