gluonts.mx.model.deepstate 包

类 gluonts.mx.model.deepstate.DeepStateEstimator(freq: str, prediction_length: int, cardinality: List[int], add_trend: bool = False, past_length: Optional[int] = None, num_periods_to_train: int = 4, 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=False, init='xavier', learning_rate=0.001, num_batches_per_epoch=50, weight_decay=1e-08), num_layers: int = 2, num_cells: int =40, cell_type: str = 'lstm', num_parallel_samples: int = 100, dropout_rate: float = 0.1, use_feat_dynamic_real: bool = False, use_feat_static_cat: bool = True, embedding_dimension: Optional[List[int]] = None, issm: Optional[gluonts.mx.model.deepstate.issm.ISSM] = None, scaling: bool = True, time_features: Optional[List[Callable[[pandas.core.indexes.period.PeriodIndex], numpy.ndarray]]] = None, noise_std_bounds: gluonts.mx.distribution.lds.ParameterBounds = gluonts.mx.distribution.lds.ParameterBounds(lower=1e-06, upper=1.0), prior_cov_bounds: gluonts.mx.distribution.lds.ParameterBounds = gluonts.mx.distribution.lds.ParameterBounds(lower=1e-06, upper=1.0), innovation_bounds: gluonts.mx.distribution.lds.ParameterBounds = gluonts.mx.distribution.lds.ParameterBounds(lower=1e-06, upper=0.01), batch_size: int = 32)

基类: gluonts.mx.model.estimator.GluonEstimator

构造一个 DeepState 预测器。

这实现了 [RSG+18] 中描述的深度状态空间模型。

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

• cardinality – 每个分类特征的取值数量。除非明确将 use_feat_static_cat 设置为 False （不推荐），否则必须设置此参数。

• add_trend – 指示是否在状态空间模型中包含趋势分量的标志

• past_length – 这是训练时间序列的长度；即，在计算预测之前，RNN 需要展开的步数。将其设置为数据集中最短时间序列的长度（最多）。（默认值：None，在这种情况下，训练长度被设置为至少包含 num_seasons_to_train 个周期。参见 num_seasons_to_train）

• num_periods_to_train –（仅当 past_length 未设置时使用）要包含在训练时间序列中的周期数。（默认值：4）这里的周期对应于给定时间序列粒度所能预期的最长周期。参见：https://stats.stackexchange.com/questions/120806/frequency -value-for-seconds-minutes-intervals-data-in-r

• trainer – 要使用的训练器对象（默认值：Trainer()）

• num_layers – RNN 层数（默认值：2）

• num_cells – 每层 RNN 单元数（默认值：40）

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

• num_parallel_samples – 每个时间序列的评估样本数，用于增加推理过程中的并行性。这是一个模型优化，不影响准确性（默认值：100）。

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

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

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

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

• scaling – 是否自动缩放目标值（默认值：true）

• time_features – 用作 RNN 输入的时间特征（默认值：None，在这种情况下会根据 freq 自动确定）

• noise_std_bounds – 观测噪声标准差的下限和上限

• prior_cov_bounds – 先验协方差矩阵对角线的下限和上限

• innovation_bounds – 观测噪声标准差的下限和上限

• batch_size – 训练和预测中使用的批次大小。

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

创建并返回预测器对象。

参数

• transformation – 应用于模型输入数据之前的转换。

• module – 一个训练好的 HybridBlock 对象。

返回值

一个包装用于推理的 HybridBlock 的预测器。

返回类型

Predictor

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

创建一个用于训练的数据加载器。

参数

data – 用于创建数据加载器的数据集。

返回值

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.deepstate._network.DeepStateTrainingNetwork

创建并返回用于训练（即计算损失）的网络。

返回值

根据输入数据计算损失的网络。

返回类型

HybridBlock

create_transformation() → gluonts.transform._base.Transformation

创建并返回训练和推理所需的转换。

返回值

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]]

创建一个用于验证的数据加载器。

参数

data – 用于创建数据加载器的数据集。

返回值

数据加载器，即数据批次的迭代器。

返回类型

DataLoader

lead_time: int

prediction_length: int

子模块

• gluonts.mx.model.deepstate.issm 模块