KAN
Kolmogorov-Arnold Networks (KAN) 是 Multi-Layer Perceptrons (MLP) 的替代品。该模型使用 KAN 的方式类似于我们的 MLP 模型。
来源
KANLinear
KANLinear
来源
KAN
*KAN
简单的 Kolmogorov-Arnold Network (KAN)。该网络使用 Kolmogorov-Arnold 近似定理，其中学习样条函数来逼近更复杂的函数。与 MLP 不同，非线性函数是在边缘学习的，而节点仅对不同的学习函数进行求和。
参数
h: int，预测范围（forecast horizon）。
input_size: int，考虑的自回归输入（滞后），y=[1,2,3,4] input_size=2 -> lags=[1,2]。
grid_size: int，样条函数用于逼近函数的区间数量。
spline_order: int，B样条的阶数。
scale_noise: float，样条函数的正则化系数。
scale_base: float，基函数的缩放系数。
scale_spline: float，样条函数的缩放系数。
enable_standalone_scale_spline: bool，是否对每个样条函数进行单独缩放。
grid_eps: float，用于数值稳定性。
grid_range: list，用于样条逼近的网格范围。
n_hidden_layers: int，KAN 的隐藏层数量。
hidden_size: int 或 list，KAN 每个隐藏层的单元数量。如果为整数，则所有隐藏层大小相同。使用列表指定每个隐藏层的大小。
stat_exog_list: str list，静态外部特征列。
hist_exog_list: str list，历史外部特征列。
futr_exog_list: str list，未来外部特征列。
exclude_insample_y: bool=False，如果为 True，模型将跳过自回归特征 y[t-input_size:t]。
loss: PyTorch 模块，从损失函数集合中实例化的训练损失类。
valid_loss: PyTorch 模块=loss，从损失函数集合中实例化的验证损失类。
max_steps: int=1000，最大训练步数。
learning_rate: float=1e-3，学习率，范围在 (0, 1) 之间。
num_lr_decays: int=-1，学习率衰减次数，均匀分布在 max_steps 中。
early_stop_patience_steps: int=-1，早停前等待的验证迭代次数。
val_check_steps: int=100，每次验证损失检查之间的训练步数。
batch_size: int=32，每个批次中不同时间序列的数量。
valid_batch_size: int=None，每个验证和测试批次中不同时间序列的数量，如果为 None 则使用 batch_size。
windows_batch_size: int=1024，每个训练批次中采样的窗口数量，默认为全部使用。
inference_windows_batch_size: int=-1，每个推理批次中采样的窗口数量，-1 为全部使用。
start_padding_enabled: bool=False，如果为 True，模型将按 input_size 在时间序列开头填充零。
step_size: int=1，每个时间数据窗口之间的步长。
scaler_type: str=‘identity’，用于时间输入归一化的缩放器类型，见temporal scalers。
random_seed: int=1，用于 pytorch 初始化器和 numpy 生成器的随机种子。
drop_last_loader: bool=False，如果为 True，TimeSeriesDataLoader 会丢弃最后一个非完整批次。
alias: str, 可选，模型的自定义名称。
optimizer: ‘torch.optim.Optimizer’ 的子类，可选，用户指定的优化器，而不是默认选择 (Adam)。
optimizer_kwargs: dict, 可选，用户指定的 optimizer 使用的参数列表。
dataloader_kwargs: dict, 可选，由 TimeSeriesDataLoader 传递给 PyTorch Lightning 数据加载器的参数列表。
**trainer_kwargs: int，继承自 PyTorch Lightning 的 trainer 的关键字 trainer 参数。
KAN.fit
*拟合。
fit 方法使用初始化参数（learning_rate、windows_batch_size 等）和初始化期间定义的 loss 函数来优化神经网络的权重。在 fit 中，我们使用 PyTorch Lightning 的 Trainer，它继承了初始化的 self.trainer_kwargs 来定制其输入，参见 PL 的 trainer 参数。
该方法设计用于与 SKLearn-like 类兼容，特别是与 StatsForecast 库兼容。
默认情况下，model 不保存训练检查点以保护磁盘内存，如需保存，请在 __init__ 中将 enable_checkpointing 设置为 True。
参数
dataset: NeuralForecast 的 TimeSeriesDataset，参见documentation。
val_size: int，用于时间序列交叉验证的验证集大小。
random_seed: int=None，用于 pytorch 初始化器和 numpy 生成器的随机种子，覆盖 model.__init__ 中的设置。
test_size: int，用于时间序列交叉验证的测试集大小。
*
KAN.predict
*预测。
使用 PL 的 Trainer 执行 predict_step 进行神经网络预测。
参数
dataset: NeuralForecast 的 TimeSeriesDataset，参见documentation。
test_size: int=None，用于时间序列交叉验证的测试集大小。
step_size: int=1，每个窗口之间的步长。
random_seed: int=None，用于 pytorch 初始化器和 numpy 生成器的随机种子，覆盖 model.__init__ 中的设置。
quantiles: list of floats, 可选 (默认=None)，要预测的目标分位数。
**data_module_kwargs: PL 的 TimeSeriesDataModule 参数，参见 documentation.*