gluonts.mx.model.gpvar 包

class gluonts.mx.model.gpvar.GPVAREstimator(freq: str, prediction_length: int, target_dim: 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: Optional[int] = None, num_layers: int = 2, num_cells: int =40, cell_type: str = 'lstm', num_parallel_samples: int = 100, dropout_rate: float = 0.1, target_dim_sample: Optional[int] = None, distr_output: Optional[gluonts.mx.distribution.distribution_output.DistributionOutput] = None, rank: Optional[int] = 2, scaling: bool = True, pick_incomplete: bool = False, lags_seq: Optional[List[int]] = None, shuffle_target_dim: bool = True, time_features: Optional[List[Callable[[pandas.core.indexes.period.PeriodIndex], numpy.ndarray]]] = None, conditioning_length: int = 100, use_marginal_transformation: bool = False, train_sampler: Optional[gluonts.transform.sampler.InstanceSampler] = None, validation_sampler: Optional[gluonts.transform.sampler.InstanceSampler] = None, batch_size: int = 32)

基类: gluonts.mx.model.estimator.GluonEstimator

构造一个 GPVAR 估计器。

这些模型在以下论文中被描述为 GP-Copula：https://arxiv.org/abs/1910.03002

请注意，此实现会随时间变化，我们将继续改进此方法。要重现论文的结果，请参考我们（冻结的）实现：https://github.com/mbohlkeschneider/gluon-ts/tree/mv_release

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

• target_dim – 输入数据集的维度

• trainer – 要使用的训练器对象（默认值：Trainer()）

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

• num_layers – RNN 层数（默认值：2）

• num_cells – 每层的 RNN 单元数（默认值：40）

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

• num_parallel_samples – 每个时间序列的评估样本数，用于在推理过程中提高并行度。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）

• target_dim_sample – 用于 GP 模型采样的维度数

• distr_output – 用于评估观测值和采样预测的分布（默认值：LowrankGPOutput，dim=target_dim，rank=5）。请注意，DistributionOutput 的 target dim 需要与估计器构造函数调用中的 target dim 匹配。另请注意，如果 DistributionOutput 在此类之外构建，则此构造函数中的 rank 无意义。

• rank – LowrankGPOutput 的秩。（默认值：2）

• scaling – 是否自动缩放目标值（默认值：True）

• pick_incomplete – 训练样本是否可以仅使用部分 past_length 时间单位进行采样

• lags_seq – 用作 RNN 输入的滞后目标值的索引（默认值：None，此时根据频率自动确定）

• shuffle_target_dim – 在采样前打乱维度顺序。

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

• conditioning_length – 设置边缘变换条件的最大长度

• use_marginal_transformation – 模型是否使用边缘变换（CDFtoGaussianTransform）

• 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。

• batch_size – 训练和预测使用的批量大小。

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

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变换。

• module – 一个训练好的 HybridBlock 对象。

返回值

一个封装了用于推理的 HybridBlock 的预测器。

返回类型

预测器

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

创建一个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。

返回值

数据加载器，即一个包含数据批量的可迭代对象。

返回类型

DataLoader

create_training_network() → gluonts.mx.model.gpvar._network.GPVARTrainingNetwork

创建并返回用于训练（即计算损失）的网络。

返回值

给定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变换。

返回值

在训练和推理时，逐条应用于数据集的变换。

返回类型

变换

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

创建一个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。

返回值

数据加载器，即一个包含数据批量的可迭代对象。

返回类型

DataLoader

lead_time: int

prediction_length: int