?譯者 | 布加迪

審校 | 孫淑娟

引言

時(shí)間序列數(shù)據(jù)是跨多個(gè)時(shí)間點(diǎn)測(cè)量相同變量的一系列數(shù)據(jù)，在現(xiàn)代數(shù)據(jù)環(huán)境中無(wú)處不在。與表格數(shù)據(jù)一樣，我們常常希望生成合成時(shí)間序列數(shù)據(jù)，以保護(hù)敏感信息，或在真實(shí)數(shù)據(jù)稀少時(shí)創(chuàng)建更多的訓(xùn)練數(shù)據(jù)。合成時(shí)間序列數(shù)據(jù)的一些應(yīng)用包括：傳感器讀數(shù)、帶時(shí)間戳的日志消息、金融市場(chǎng)價(jià)格和醫(yī)療記錄。時(shí)間這個(gè)額外的維度（跨時(shí)間點(diǎn)的趨勢(shì)和相關(guān)性與變量之間的相關(guān)性同樣重要）給合成數(shù)據(jù)帶來(lái)了另外的挑戰(zhàn)。

我們Gretel之前發(fā)布了關(guān)于合成時(shí)間序列數(shù)據(jù)的博文，但一直在尋找可以改進(jìn)合成數(shù)據(jù)生成的新模型。我們非常喜歡DoppelGANger模型和Lin等人合著的相關(guān)論文：??《使用GAN共享網(wǎng)絡(luò)時(shí)間序列數(shù)據(jù)：挑戰(zhàn)、前景和未決問(wèn)題》??，正在將該模型整合到我們的API和控制臺(tái)中。作為這項(xiàng)工作的一部分，我們用PyTorch重新實(shí)現(xiàn)了DoppelGANger模型，很高興將其作為我們開(kāi)源??gretel-synthetics庫(kù)??的一部分來(lái)發(fā)布。

本文概述了DoppelGANger模型，提供了PyTorch實(shí)現(xiàn)的示例用法，并針對(duì)合成每日維基百科網(wǎng)絡(luò)流量的任務(wù)演示了出色的合成數(shù)據(jù)質(zhì)量：與TensorFlow1實(shí)現(xiàn)相比，運(yùn)行時(shí)速度提升了約40倍。

DoppIGANger模型

DoppelGANger基于生成式對(duì)抗網(wǎng)絡(luò)（GAN），經(jīng)過(guò)一番改動(dòng)，更好地適應(yīng)時(shí)間序列生成任務(wù)。作為GAN，該模型使用對(duì)抗訓(xùn)練方案，通過(guò)比較合成數(shù)據(jù)和真實(shí)數(shù)據(jù)來(lái)同時(shí)優(yōu)化鑒別器和生成器網(wǎng)絡(luò)。一旦經(jīng)過(guò)訓(xùn)練，可以將輸入噪音傳遞給生成器網(wǎng)絡(luò)，以此創(chuàng)建任意數(shù)量的合成時(shí)間序列數(shù)據(jù)。

Lin等人在論文中介紹了現(xiàn)有的合成時(shí)間序列方法及自己的觀察結(jié)果，以確定局限性，并提出幾處具體的改進(jìn)——DoppelGANger由此而來(lái)，包括一般的GAN改進(jìn)和專門針對(duì)時(shí)間序列的技巧。下面列出了其中幾處關(guān)鍵修改：

• 生成器含有用于生成序列數(shù)據(jù)的LSTM，但有批量設(shè)置，其中每個(gè)LSTM單元輸出多個(gè)時(shí)間點(diǎn)，以改善時(shí)間相關(guān)性。
• 訓(xùn)練和生成時(shí)都支持可變長(zhǎng)度序列（計(jì)劃中，但尚未在我們的PyTorch版本中實(shí)現(xiàn)）。比如說(shuō)，一個(gè)模型可以使用和創(chuàng)建10秒或15秒的傳感器測(cè)量值。
• 支持不隨時(shí)間變化的固定變量（屬性）。該信息常常與時(shí)間序列數(shù)據(jù)一同出現(xiàn)，比如金融價(jià)格歷史數(shù)據(jù)中與每只股票相關(guān)的行業(yè)或部門。
• 支持按示例縮放連續(xù)變量以處理動(dòng)態(tài)范圍大的數(shù)據(jù)。比如說(shuō)，流行的維基百科頁(yè)面與罕見(jiàn)的維基百科頁(yè)面的頁(yè)面瀏覽量相差幾個(gè)數(shù)量級(jí)。
• 使用帶梯度懲罰的Wasserstein損失，減少模式崩塌并改善訓(xùn)練。

捎帶提一下術(shù)語(yǔ)和數(shù)據(jù)設(shè)置。DoppelGANger需要有多個(gè)時(shí)間序列示例的訓(xùn)練數(shù)據(jù)。每個(gè)示例由0個(gè)或多個(gè)屬性值、不隨時(shí)間變化的固定變量以及在每個(gè)時(shí)間點(diǎn)觀察的1個(gè)或多個(gè)特征組成。組合成一個(gè)訓(xùn)練數(shù)據(jù)集時(shí)，這些示例看起來(lái)像2d屬性數(shù)組（示例x固定變量）和3d特征數(shù)組（示例x時(shí)間x時(shí)間變量）。視任務(wù)和可用數(shù)據(jù)而定，該設(shè)置可能需要將幾個(gè)較長(zhǎng)的時(shí)間序列拆分成較短的塊，這些塊可用作訓(xùn)練的示例。

總地來(lái)說(shuō)，對(duì)基本GAN所作的這些修改提供了一個(gè)富有表現(xiàn)力的時(shí)間序列模型，可以生成高保真合成數(shù)據(jù)。DoppelGANger能夠?qū)W習(xí)和生成具有不同尺度的時(shí)間相關(guān)性數(shù)據(jù)（比如每周和每年趨勢(shì)），給我們留下了特別深刻的印象。想了解模型的完整詳細(xì)信息，請(qǐng)閱讀??論文??。

示例用法

我們的PyTorch實(shí)現(xiàn)支持兩種輸入樣式（numpy數(shù)組或pandas DataFrame）以及模型的許多配置選項(xiàng)。想了解完整的參考文檔，請(qǐng)參閱https://synthetics.docs.gretel.ai/。

要使用我們的模型，最簡(jiǎn)單的方法是使用pandas DataFrame中的訓(xùn)練數(shù)據(jù)。針對(duì)該設(shè)置，數(shù)據(jù)必須采用“寬”格式，其中每一行是示例，一些列是屬性，剩余的列是時(shí)間序列值。下列代碼片段演示了訓(xùn)練和生成來(lái)自DataFrame的數(shù)據(jù)。

# Create some random training data

df = pd.DataFrame(np.random.random(size=(1000,30)))

df.columns = pd.date_range("2022-01-01", periods=30)

# Include an attribute column

df["attribute"] = np.random.randint(0, 3, size=1000)
# Train the model

model = DGAN(DGANConfig(

   max_sequence_len=30,

   sample_len=3,

   batch_size=1000,

   epochs=10,  # For real data sets, 100-1000 epochs is typical

))
model.train_dataframe(

   df,

   df_attribute_columns=["attribute"],

   attribute_types=[OutputType.DISCRETE],

)
# Generate synthetic data

synthetic_df = model.generate_dataframe(100)

如果您的數(shù)據(jù)尚未采用這種“寬”格式，可以使用pandas pivot方法將其轉(zhuǎn)換成預(yù)期的結(jié)構(gòu)。DataFrame輸入目前有些受到限制，但我們計(jì)劃在未來(lái)支持接受時(shí)間序列數(shù)據(jù)的其他方式。為了獲得最大的控制度和靈活性，您還可以直接傳遞numpy數(shù)組進(jìn)行訓(xùn)練（并在生成數(shù)據(jù)時(shí)以相似的方式接收屬性和特征數(shù)組），如下所示。

# Create some random training data

attributes = np.random.randint(0, 3, size=(1000,3))

features = np.random.random(size=(1000,20,2))
# Train the model

model = DGAN(DGANConfig(

   max_sequence_len=20,

   sample_len=4,

   batch_size=1000,

   epochs=10,  # For real data sets, 100-1000 epochs is typical

))
model.train_numpy(

   attributes, features,

   attribute_types = [OutputType.DISCRETE] * 3,

   feature_types = [OutputType.CONTINUOUS] * 2

)
# Generate synthetic data

synthetic_attributes, synthetic_features = model.generate_numpy(1000)

這些代碼片段的可運(yùn)行版本可在??sample_usage.ipynb??處獲得。

結(jié)果

作為從TensorFlow 1改為PyTorch的新實(shí)現(xiàn)（優(yōu)化器、參數(shù)初始化等底層組件方面存在潛在差異），我們希望確認(rèn)我們的PyTorch代碼按預(yù)期運(yùn)行。為此，我們復(fù)制了原始論文中的部分結(jié)果。由于我們目前的實(shí)現(xiàn)僅支持固定長(zhǎng)度序列，因此專注于維基百科網(wǎng)絡(luò)流量（WWT）的數(shù)據(jù)集。

Lin等人使用的WWT數(shù)據(jù)集最初來(lái)自Kaggle，含有測(cè)量各種維基百科頁(yè)面的每日流量數(shù)據(jù)。每個(gè)頁(yè)面有三個(gè)不同的屬性（域、訪問(wèn)類型和代理）。圖1顯示了來(lái)自WWT數(shù)據(jù)集的幾個(gè)示例時(shí)間序列。

圖1：三個(gè)維基百科頁(yè)面的縮放的每日頁(yè)面瀏覽量，右側(cè)列出了頁(yè)面屬性

請(qǐng)注意，頁(yè)面瀏覽量根據(jù)整個(gè)數(shù)據(jù)集上的最小/最大頁(yè)面瀏覽量被對(duì)數(shù)軸縮放為[-1,1]。我們?cè)趯?shí)驗(yàn)中使用的5萬(wàn)頁(yè)的訓(xùn)練數(shù)據(jù)（已被縮放）在??S3上以csv格式提供??。

我們展示的三張圖顯示了合成數(shù)據(jù)保真度的不同方面。在每張圖中，我們將真實(shí)數(shù)據(jù)與三個(gè)合成版本進(jìn)行比較：1）具有更大批量和更小學(xué)習(xí)率的快速PyTorch實(shí)現(xiàn)，2）具有原始參數(shù)的PyTorch實(shí)現(xiàn)，3）TensorFlow 1實(shí)現(xiàn)。在圖2中，我們查看了屬性分布，其中合成數(shù)據(jù)與真實(shí)分布非常匹配。

圖2：真實(shí)和合成WWT數(shù)據(jù)的屬性分布

WWT數(shù)據(jù)面臨的挑戰(zhàn)之一是，不同的時(shí)間序列有全然不同的頁(yè)面瀏覽量范圍。一些維基百科頁(yè)面持續(xù)獲得很大流量，另一些不那么受歡迎，但偶爾因某個(gè)相關(guān)的新聞事件（比如與頁(yè)面相關(guān)的突發(fā)新聞故事）而出現(xiàn)流量高峰。Lin等人發(fā)現(xiàn)，DoppelGANger在生成不同尺度的時(shí)間序列方面非常有效（見(jiàn)原始論文的圖6）。在圖3中，我們提供了顯示時(shí)間序列中點(diǎn)分布的類似圖。就每個(gè)示例而言，中點(diǎn)處于550天內(nèi)獲得的最小和最大頁(yè)面瀏覽量的中間值。我們的PyTorch實(shí)現(xiàn)對(duì)中點(diǎn)顯示了類似的保真度。

圖3：真實(shí)和合成WWT數(shù)據(jù)的時(shí)間序列中點(diǎn)分布

最后，大多數(shù)維基百科頁(yè)面的流量呈現(xiàn)出每周和每年的模式。為了評(píng)估這些模式，我們使用自相關(guān)，即不同時(shí)間滯后（1天、2天等）的頁(yè)面瀏覽量的Pearson相關(guān)性。三個(gè)合成版本的自相關(guān)圖如圖4所示（類似原始論文中的圖 1）。

圖4：真實(shí)和合成 WWT 數(shù)據(jù)的自相關(guān)

兩個(gè)PyTorch版本都生成原始論文中觀察到的每周和每年趨勢(shì)。TensorFlow 1結(jié)果與 Lin等人的圖1不匹配，正如來(lái)自我們實(shí)驗(yàn)的上述圖所示。我們觀察到使用原始參數(shù)進(jìn)行的訓(xùn)練有些不一致，模型偶爾沒(méi)有觀察到每年（甚至每周）模式。我們的快速版本中使用的較低學(xué)習(xí)率（1e-4）和較大的批量大?。?000）使再訓(xùn)練更加一致。

生成本節(jié)中的圖像和訓(xùn)練三個(gè)模型的分析代碼在??Github??上作為筆記本予以共享。

運(yùn)行時(shí)

最后更復(fù)雜模型的一個(gè)關(guān)鍵方面是運(yùn)行時(shí)。需要數(shù)周時(shí)間來(lái)訓(xùn)練的出色模型實(shí)際上比需要一小時(shí)來(lái)訓(xùn)練的模型更受限制。在這里，相比之下PyTorch實(shí)現(xiàn)表現(xiàn)極好（不過(guò)作者在論文中指出，他們沒(méi)有對(duì)TensorFlow 1代碼進(jìn)行性能優(yōu)化）。所有模型均使用GPU進(jìn)行訓(xùn)練，并在搭載英偉達(dá)Tesla T4的GCP n1-standard-8實(shí)例（8個(gè)虛擬 CPU和30 GB RAM）上運(yùn)行。從13小時(shí)縮短到0.3小時(shí)，這對(duì)于這個(gè)出色的模型在實(shí)踐中發(fā)揮更大的用處至關(guān)重要！

原文標(biāo)題：??Generate Synthetic Time-series Data with Open-source Tools???，作者：Kendrick Boyd?