gluonts.mx.model.forecast 模块#

class gluonts.mx.model.forecast.DistributionForecast(distribution: gluonts.mx.distribution.distribution.Distribution, start_date: pandas._libs.tslibs.period.Period, item_id: Optional[str] = None, info: Optional[Dict] =None)[source]#

基类: gluonts.model.forecast.Forecast

一个直接使用 GluonTS 分布的 Forecast 对象。例如，这可以用于表示每个时间点的边际概率分布——尽管也可以使用联合分布，例如使用 MultiVariateGaussian 时)。

参数

  • distribution –

    分布对象。这应该代表整个预测长度，也就是说，如果我们从分布中抽取 num_samples 个样本，样本的形状应该是

    samples = trans_dist.sample(num_samples) samples.shape -> (num_samples, prediction_length)

  • start_date (pandas._libs.tslibs.period.Period) – 预测的开始日期

  • info (Optional[Dict]) – 预测器可能提供的额外信息，例如估计的参数、运行的迭代次数等。

info: Optional[Dict]#
item_id: Optional[str]#
property mean: numpy.ndarray#

预测均值。

property mean_ts: pandas.core.series.Series#

预测均值，作为 pandas.Series 对象。

prediction_length: int#
quantile(level: Union[float, str]) → numpy.ndarray[source]#

计算来自预测分布的分位数。

参数

q – 要计算的分位数。

返回

预测范围内的分位数的值。

返回类型

numpy.ndarray

start_date: pandas._libs.tslibs.period.Period#
to_quantile_forecast(quantiles: List[Union[float, str]])[source]#
to_sample_forecast(num_samples: int = 200) → gluonts.model.forecast.SampleForecast[source]#