利用TimeGAN技术对一维时序数据进行扩增（Python代码）-Toy模板网

这篇具有很好参考价值的文章主要介绍了利用TimeGAN技术对一维时序数据进行扩增（Python代码）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1.数据集介绍

特征是工作经验年限，标签是薪水，因为数据量太少，利用GAN技术进行扩增

YearsExperience	Salary
1.1	39343
1.3	46205
1.5	37731
2	43525
2.2	39891
2.9	56642
3	60150
3.2	54445
3.2	64445
3.7	57189
3.9	63218
4	55794
4	56957
4.1	57081
4.5	61111
4.9	67938
5.1	66029
5.3	83088
5.9	81363
6	93940
6.8	91738
7.1	98273
7.9	101302
8.2	113812
8.7	109431
9	105582
9.5	116969
9.6	112635
10.3	122391
10.5	121872

2.模型整体介绍

时间序列生成对抗性网络

TGAN，时间序列生成对抗性网络于2019年提出，作为一种基于GAN的框架，能够生成各种不同领域的真实时间序列数据，即具有不同观察行为的序列数据。与我们在真实数据和合成数据上实现无监督对抗性损失的其他GAN架构（例如，WGAN）不同，TimeGAN架构引入了监督损失的概念-鼓励模型通过使用原始数据作为监督来捕捉数据中的时间条件分布。此外，我们可以观察到嵌入网络的引入，该网络负责降低对抗性学习空间维度。

gan生成一维数据,时序数据深度学习模型,生成对抗网络,人工智能,神经网络

3.模型效果

扩增的数据与原始数据对比

gan生成一维数据,时序数据深度学习模型,生成对抗网络,人工智能,神经网络

扩增数据与原始数据概率分布图

gan生成一维数据,时序数据深度学习模型,生成对抗网络,人工智能,神经网络

运行环境要求：

gan生成一维数据,时序数据深度学习模型,生成对抗网络,人工智能,神经网络

numpy version: 1.19.2
pandas version: 1.2.0
scikit-learn version: 0.24.0
tensorflow version: 2.4.0

对项目感兴趣的，可以关注最后一行文章来源地址https://www.toymoban.com/news/detail-731354.html

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler

from tensorflow import function, GradientTape, sqrt, abs, reduce_mean, ones_like, zeros_like, convert_to_tensor,float32
from tensorflow import data as tfdata
from tensorflow import config as tfconfig
from tensorflow import nn
from tensorflow.keras import Model, Sequential, Input
from tensorflow.keras.layers import GRU, LSTM, Dense
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.losses import BinaryCrossentropy, MeanSquaredError
#代码，https://mbd.pub/o/bread/mbd-ZJmYmZtw

到了这里，关于利用TimeGAN技术对一维时序数据进行扩增（Python代码）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！