KUDataRepresentation

• 원본 시계열 데이터를 입력으로 받아 각 관측치에 대한 representation vector를 도출하는 time series representation에 대한 설명
• 입력 데이터 형태 : (num_of_instance x input_dims x seq_len) 차원의 다변량 시계열 데이터(multivariate time-series data)

Time series representation 사용 시, 설정해야하는 값

• model : ['ts2vec', 'ts_tcc', 'rae_mepc', 'stoc'] 중 선택

• training : 모델 학습 여부, [True, False] 중 선택, 학습 완료된 모델이 저장되어 있다면 False 선택

• best_model_path : 학습 완료된 모델을 저장할 경로

• 시계열 representation 모델 hyperparameter : 아래에 자세히 설명.

  • TS2Vec hyperparameter
  • TS-TCC hyperparameter
  • RAE-MEPC hyperparameter
  • STOC hyperparameter

시계열 representation 모델 hyperparameter

1. TS2Vec

• input_dim : 데이터의 변수 개수, int
• repr_dim : data representation 차원, int(default: 64, 범위: 1 이상, 2의 지수로 설정 권장)
• hidden_dim : encoder의 hidden dimension, int(default: 64, 범위: 1 이상, default 값 사용 권장)
• num_epochs : 학습 epoch 횟수, int(default: 50, 범위: 1 이상)
• batch_size : batch 크기, int(default: 512, 범위: 1 이상, 컴퓨터 사양에 적합하게 설정)
• lr : learning rate, float(default: 0.001, 범위: 0.1 이하)
• device : 학습 환경, (default: 'cuda', ['cuda', 'cpu'] 중 선택)

2. TS-TCC

• input_dim : 데이터의 변수 개수, int
• repr_dim : data representation 차원, int(default: 64, 범위: 1 이상, 2의 지수로 설정 권장)
• hidden_dim : temporal / contextual contrasting 모듈의 hidden dimension, int(default: 100, 범위: 1 이상, default 값 사용 권장)
• timesteps : temporal contrasting 모듈에서 미래 예측할 시점의 길이, int(default: 6, 범위: 1 이상)
• num_epochs : 학습 epoch 횟수, int(default: 50, 범위: 1 이상)
• batch_size : batch 크기, int(default: 512, 범위: 1 이상, 컴퓨터 사양에 적합하게 설정)
• lr : learning rate, float(default: 0.001, 범위: 0.1 이하)
• device : 학습 환경, (default: 'cuda', ['cuda', 'cpu'] 중 선택)
• jitter_scale_ratio : time series data augementation 중 weak augementation의 강도, float(default: 1.1, default 값 사용 권장)
• jitter_ratio : time series data augementation 중 strong augementation의 강도, float(default: 0.8, default 값 사용 권장)
• max_seg : strong augementation에서 permutation 진행시 데이터의 최대 분할 개수, int(default: 8, default 값 사용 권장)

3. RAE-MEPC

• window_size : 모델의 input sequence 길이, int(default: 32, 범위: 0 이상 & 원래 데이터의 sequence 길이 이하)
• input_dim : 데이터의 변수 개수, int
• repr_dim : data representation 차원, int(default: 64, 범위: 1 이상, 2의 지수로 설정 권장)
• enc_nlayers : multi-resolution encoder를 구성하는 sub-encoder의 개수, int(default: 3, 범위: 1 이상, default 값 사용 권장)
• dec_nlayers : multi-resolution decoder를 구성하는 sub-decoder의 개수, int(default: 3, 범위: 1 이상, default 값 사용 권장)
• tau : multi-resolution encoder 및 decoder의 resolution를 조절하는 값, int(default: 4, 범위: 2 이상, default 값 사용 권장)
• num_epochs : 학습 epoch 횟수, int(default: 50, 범위: 1 이상)
• batch_size : batch 크기, int(default: 512, 범위: 1 이상, 컴퓨터 사양에 적합하게 설정)
• lr : learning rate, float(default: 0.001, 범위: 0.1 이하)
• device : 학습 환경, (default: 'cuda', ['cuda', 'cpu'] 중 선택)

4. STOC

• window_size : 모델의 input sequence 길이, int(default: 32, 범위: 0 이상 & 원래 데이터의 sequence 길이 이하)
• input_dim : 데이터의 변수 개수, int
• repr_dim : data representation 차원, int(default: 64, 범위: 1 이상, 2의 지수로 설정 권장)
• hidden_dim : encoder의 hidden dimension, int(default: 256, 범위: 1 이상, default 값 사용 권장)
• forecast_step : 미래 시계열 데이터에 대하여 예측할 시점의 길이, int(default: 6, 범위: 1 이상)
• num_epochs : 학습 epoch 횟수, int(default: 50, 범위: 1 이상)
• batch_size : batch 크기, int(default: 512, 범위: 1 이상, 컴퓨터 사양에 적합하게 설정)
• lr : learning rate, float(default: 0.001, 범위: 0.1 이하)
• device : 학습 환경, (default: 'cuda', ['cuda', 'cpu'] 중 선택)
• patience : 예측 모델 학습 시, 사전 설정한 epoch 동안 loss가 감소하지 않으면 학습 조기 중단, int(default: 10, 범위: 1 이상 num_epochs 미만)