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 ## 2의 지수승 input 필요 (ex,64,128,256 ...)
• 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)