gluonts.mx.model.deepar 软件包#

class gluonts.mx.model.deepar.DeepAREstimator(freq: str, prediction_length: int, trainer: gluonts.mx.trainer._base.Trainer = gluonts.mx.trainer._base.Trainer(add_default_callbacks=True, callbacks=None, clip_gradient=10.0, ctx=None, epochs=100, hybridize=True, init='xavier', learning_rate=0.001, num_batches_per_epoch=50, weight_decay=1e-08), context_length: typing.Optional[int] = None, num_layers: int = 2, num_cells: int = 40, cell_type: str = 'lstm', dropoutcell_type: str = 'ZoneoutCell', dropout_rate: float = 0.1, use_feat_dynamic_real: bool = False, use_feat_static_cat: bool = False, use_feat_static_real: bool = False, cardinality: typing.Optional[typing.List[int]] = None, embedding_dimension: typing.Optional[typing.List[int]] = None, distr_output: gluonts.mx.distribution.distribution_output.DistributionOutput = gluonts.mx.distribution.student_t.StudentTOutput(), scaling: bool = True, lags_seq: typing.Optional[typing.List[int]] = None, time_features: typing.Optional[typing.List[typing.Callable[[pandas.core.indexes.period.PeriodIndex], numpy.ndarray]]] = None, num_parallel_samples: int = 100, imputation_method: typing.Optional[gluonts.transform.feature.MissingValueImputation] = None, train_sampler: typing.Optional[gluonts.transform.sampler.InstanceSampler] = None, validation_sampler: typing.Optional[gluonts.transform.sampler.InstanceSampler] = None, dtype: typing.Type = <class 'numpy.float32'>, alpha: float = 0.0, beta: float = 0.0, batch_size: int = 32, default_scale: typing.Optional[float] = None, minimum_scale: float = 1e-10, impute_missing_values: bool = False, num_imputation_samples: int = 1, nonnegative_pred_samples: bool = False)[source]#

继承自: gluonts.mx.model.estimator.GluonEstimator

构建一个 DeepAR 估计器。

这实现了一个基于 RNN 的模型，类似于 [SFG17] 中描述的模型。

注意: 此模型的代码与 SageMaker 的 DeepAR 预测算法 背后的实现无关。

参数

  • freq – 用于训练和预测的数据频率

  • prediction_length (int) – 预测范围的长度

  • trainer – 要使用的训练器对象（默认: Trainer()）

  • context_length – 在计算预测之前，RNN 展开的步数（默认: None，此时 context_length = prediction_length）

  • num_layers – RNN 层数（默认: 2）

  • num_cells – 每层 RNN 单元数（默认: 40）

  • cell_type – 要使用的循环单元类型（可用: ‘lstm’ 或 ‘gru’; 默认: ‘lstm’）

  • dropoutcell_type – 要使用的 Dropout 单元类型（可用: ‘ZoneoutCell’, ‘RNNZoneoutCell’, ‘VariationalDropoutCell’ 或 ‘VariationalZoneoutCell’; 默认: ‘ZoneoutCell’）

  • dropout_rate – Dropout 正则化参数（默认: 0.1）

  • use_feat_dynamic_real – 是否使用数据中的 feat_dynamic_real 字段（默认: False）

  • use_feat_static_cat – 是否使用数据中的 feat_static_cat 字段（默认: False）

  • use_feat_static_real – 是否使用数据中的 feat_static_real 字段（默认: False）

  • cardinality – 每个类别特征的值的数量。如果 use_feat_static_cat == True，则必须设置此参数（默认: None）

  • embedding_dimension – 类别特征嵌入的维度（默认: [min(50, (cat+1)//2) for cat in cardinality]）

  • distr_output – 用于评估观测值和采样预测的分布（默认: StudentTOutput()）

  • scaling – 是否自动缩放目标值（默认: true）

  • lags_seq – 用作 RNN 输入的滞后目标值索引（默认: None，此时会根据频率自动确定）

  • time_features – 用作 RNN 输入的时间特征（默认: None，此时会根据频率自动确定）

  • num_parallel_samples – 每个时间序列的评估样本数，用于增加推理时的并行性。这是一项模型优化，不影响准确性（默认: 100）

  • imputation_method – ImputationStrategy 中的一种方法

  • train_sampler – 控制训练期间窗口的采样。

  • validation_sampler – 控制验证期间窗口的采样。

  • alpha – 激活正则化的缩放系数

  • beta – 时间激活正则化的缩放系数

  • batch_size – 训练和预测中使用的批次大小。

  • minimum_scale – MeanScaler 返回的最小比例

  • default_scale – 如果上下文长度窗口完全未观测到时应用的默认比例。如果未设置，此时的比例将是批次中的平均比例。

  • impute_missing_values – 是否在训练期间使用当前模型参数填充缺失值。如果数据集包含许多缺失值，建议使用此选项。然而，这比默认模式慢得多。

  • num_imputation_samples – 当 impute_missing_values=True 时，用于填充值的样本数

  • nonnegative_pred_samples – 最终预测样本应为非负吗？如果为是，将应用激活函数以确保非负。注意，这仅应用于最终样本，训练期间不应用。

create_predictor(transformation: gluonts.transform._base.Transformation, trained_network: mxnet.gluon.block.HybridBlock) → gluonts.model.predictor.Predictor[source]#

创建并返回预测器对象。

参数

  • transformation – 在数据进入模型之前要应用的转换。

  • module – 一个已训练的 HybridBlock 对象。

返回

一个用于推理的 HybridBlock 包装的预测器。

返回类型

预测器

create_training_data_loader(data: gluonts.dataset.Dataset, **kwargs) → Iterable[Dict[str, Any]][source]#

创建用于训练目的的数据加载器。

参数

data – 用于创建数据加载器的数据集。

返回

数据加载器，即数据批次的迭代器。

返回类型

DataLoader

create_training_network() → gluonts.mx.model.deepar._network.DeepARTrainingNetwork[source]#

创建并返回用于训练（即计算损失）的网络。

返回

给定输入数据计算损失的网络。

返回类型

HybridBlock

create_transformation() → gluonts.transform._base.Transformation[source]#

创建并返回训练和推理所需的转换。

返回

在训练和推理时，将逐条应用于数据集的转换。

返回类型

Transformation

create_validation_data_loader(data: gluonts.dataset.Dataset, **kwargs) → Iterable[Dict[str, Any]][source]#

创建用于验证目的的数据加载器。

参数

data – 用于创建数据加载器的数据集。

返回

数据加载器，即数据批次的迭代器。

返回类型

DataLoader

classmethod derive_auto_fields(train_iter)[source]#
lead_time: int#
prediction_length: int#