当前位置：首页 > news >正文

KAN-Transfomer——基于新型神经网络KAN的时间序列预测

news 2025/7/22 5:56:42

1.数据集介绍

ETT(电变压器温度)：由两个小时级数据集（ETTh）和两个 15 分钟级数据集（ETTm）组成。它们中的每一个都包含 2016 年 7 月至 2018 年 7 月的七种石油和电力变压器的负载特征。

traffic(交通) ：描述了道路占用率。它包含 2015 年至 2016 年旧金山高速公路传感器记录的每小时数据

electrity（电力）：从 2012 年到 2014 年收集了 321 个客户每小时电力消耗。

exchange_rate（汇率）：收集了 1990 年至 2016 年 8 个国家的每日汇率。

Weather：包括 21 个天气指标，例如空气温度和湿度。它的数据在 2020 年的每 10 分钟记录一次。

ILLNESS：描述了患有流感疾病的患者与患者数量的比率。它包括 2002 年至 2021 年美国疾病控制和预防中心每周数据。

数据集链接：

https://drive.google.com/drive/folders/1ZOYpTUa82_jCcxIdTmyr0LXQfvaM9vIy

参考文献：

[1]https://arxiv.org/abs/2407.05278

2. 处理方法

（1）方法

KAN（Kolmogorov–Arnold Networks）模块负责初始特征提取。KAN是一种针对时间序列的有效特征提取模块，可以帮助模型在更高维度上理解输入特征。Transformer使用编码器和解码器，编码器和解码器部分通过自注意力机制捕捉时间序列中的长程依赖，并实现信息在不同时间步间的高效传播。最后通过嵌入层和全连接层将输入和输出进行维度转换，实现特征的高效表达与映射。

·KAN

KAN 的核心是学习给定问题的组合结构（外部自由度）和单变量函数（内部自由度）。这使得 KAN 不仅可以像 MLP 一样学习特征，还可以非常准确地优化这些学习到的特征。KAN 利用了样条曲线和 MLP 的优点，同时避免了它们的缺点。样条对于低维函数来说是准确的，并且可以轻松地进行局部调整，但会受到维数灾难的影响。另一方面，MLP 更擅长利用组合结构，但难以优化单变量函数。通过结合这两种方法，KAN 可以比单独的样条曲线或 MLP 更有效地学习和准确地表示复杂函数。

·Transformer

（2）实验结果

训练集、验证集和测试集划分设置为6：2：2，实验参数设置如下：

parser = argparse.ArgumentParser(description='KAN')
parser.add_argument('--look_back', type=int, default='10', help='历史look_back步,修改这里也要修改model的look_back')
parser.add_argument('--T', type=int, default='1', help='预测未来的T步,修改这里也要修改model的T')
parser.add_argument('--epochs', type=int, default='300', help='训练轮数')
parser.add_argument('--batch_size', type=int, default='32', help='批大小')
parser.add_argument('--data_path', type=str, default='mydata/ETTm1.csv', help='文件路径')
parser.add_argument('--freq', type=str, default='15min', help='时间特征编码')# freq选项:[s:秒，t:分钟，h:小时，d:每天，b:工作日，w:每周，m:每月]，也可以使用更详细的频率，如'15min'或'3h'
parser.add_argument('--num_features', type=int, default='6', help='数据一共多少个特征')
parser.add_argument('--target', type=str, default='OT', help='预测的目标变量')
parser.add_argument('--embed_dim', type=int, default='32', help='嵌入维度')
parser.add_argument('--dense_dim', type=int, default='128', help='隐藏层神经元个数')
parser.add_argument('--num_heads', type=int, default='4', help='头数')
parser.add_argument('--dropout_rate', type=float, default='0.1', help='失活率')
parser.add_argument('--num_blocks', type=int, default='2', help='编码器解码器数')
parser.add_argument('--learn_rate', type=float, default='0.001', help='学习率')args = parser.parse_args()

注：需根据数据集的特征进一步探索最合适的参数组合，以提升模型性能。

本文方法ETTm1数据集：