gluonts.mx.model.gp_forecaster 包#

class gluonts.mx.model.gp_forecaster.GaussianProcessEstimator(freq: str, prediction_length: int, cardinality: 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, kernel_output: gluonts.mx.kernels._kernel_output.KernelOutput = gluonts.mx.kernels._rbf_kernel.RBFKernelOutput(), params_scaling: bool = True, dtype: typing.Type = <class 'numpy.float64'>, max_iter_jitter: int = 10, jitter_method: str = 'iter', sample_noise: bool = True, time_features: typing.Optional[typing.List[typing.Callable[[pandas.core.indexes.period.PeriodIndex], numpy.ndarray]]] = None, num_parallel_samples: int = 100, batch_size: int = 32)[source]#

基类：gluonts.mx.model.estimator.GluonEstimator

GaussianProcessEstimator 展示了如何使用高斯过程（GP）构建本地时间序列模型。

每个时间序列都有一个带有自己超参数的 GP。对于径向基函数（RBF）核，可学习的超参数是振幅和长度尺度。周期核除了这些超参数外，还有一个可学习的频率参数。RBFKernel 是默认设置，但可以通过输入所需的 KernelOutput 对象来使用任一核。模型中的噪声 sigma 是两个核的另一个可学习超参数。这些参数通过整数时间序列索引的 Embedding 进行拟合（每个时间序列都有其静态的超参数集）。观测值是时间序列值。在此模型中，时间特征包括一天中的小时和一周中的天。

参数

  • freq – 时间序列频率。

  • prediction_length (int) – 预测长度。

  • cardinality – 时间序列数量。

  • trainer – 用于模型训练的 Trainer 实例（默认：Trainer()）。

  • context_length – 训练长度（默认：None，此时 context_length = prediction_length）。

  • kernel_output – 用于确定要实例化的核子类的 KernelOutput 实例（默认：RBFKernelOutput()）。

  • params_scaling – 确定是否缩放模型参数（默认：True）。

  • float_type – 确定是使用单精度还是双精度（默认：np.float64）。

  • max_iter_jitter – 用于迭代使矩阵正定的抖动（jitter）最大迭代次数（默认：10）。

  • jitter_method – 迭代抖动（jitter）方法，或根据问题大小使用特征值分解（默认：“iter”）。

  • sample_noise – 布尔值，确定是否将 \(\sigma^2I\) 添加到预测协方差矩阵（默认：True）。

  • time_features – 用作模型输入的时序特征（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量，用于在推理期间增加并行度。这是一种模型优化，不影响准确性（默认：100）。

  • batch_size – 用于训练和预测的批次大小。

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

创建并返回一个预测器对象。

参数

  • transformation – 在数据进入模型之前应用于数据的 Transformation。

  • module – 一个训练好的 HybridBlock 对象。

返回

一个包装 HybridBlock 并用于推理的预测器。

返回类型

Predictor

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() → mxnet.gluon.block.HybridBlock[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

lead_time: int#
prediction_length: int#