gluonts.mx.model.lstnet 包#

class gluonts.mx.model.lstnet.LSTNetEstimator(prediction_length: int, context_length: int, num_series: int, skip_size: int, ar_window: int, channels: int, lead_time: int = 0, kernel_size: int = 6, 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), dropout_rate: typing.Optional[float] = 0.2, output_activation: typing.Optional[str] = None, rnn_cell_type: str = 'gru', rnn_num_cells: int = 100, rnn_num_layers: int = 3, skip_rnn_cell_type: str = 'gru', skip_rnn_num_layers: int = 1, skip_rnn_num_cells: int = 10, scaling: bool = True, train_sampler: typing.Optional[gluonts.transform.sampler.InstanceSampler] = None, validation_sampler: typing.Optional[gluonts.transform.sampler.InstanceSampler] = None, batch_size: int = 32, dtype: typing.Type = <class 'numpy.float32'>)[source]#

基类: gluonts.mx.model.estimator.GluonEstimator

构造一个用于多元时间序列数据的 LSTNet 估计器。

该模型在以下论文中有所描述: https://arxiv.org/abs/1703.07015

请注意，随着我们对此方法的进一步研究，此实现可能会随时间变化。

参数

  • prediction_length (int) – 预测长度 p，给定 (y_1, …, y_t)，模型预测 (y_{t+l+1}, …, y_{t+l+p})，其中 l 是 lead_time

  • context_length – 展开 RNN 计算预测的最大步数（注意受 Conv2D 输出尺寸限制）

  • num_series – 时间序列（协变量）数量

  • skip_size – 跳跃 RNN 层的跳跃大小

  • ar_window – 线性部分的自回归窗口大小

  • channels – 第一层 Conv2D 的通道数

  • lead_time (int) – 提前时间 (默认: 0)

  • kernel_size – 第一层 Conv2D 的核大小 (默认: 6)

  • trainer – 要使用的 Trainer 对象 (默认: Trainer())

  • dropout_rate – Dropout 正则化参数 (默认: 0.2)

  • output_activation – 用于输出的最后激活函数。接受 None (默认无激活函数)，sigmoid 或 tanh

  • rnn_cell_type – RNN 单元格类型。可以是 lstm 或 gru (默认: gru)

  • rnn_num_layers – 要使用的 RNN 层数

  • rnn_num_cells – 每层的 RNN 单元格数量 (默认: 100)

  • skip_rnn_cell_type – 跳跃层的 RNN 单元格类型。可以是 lstm 或 gru (默认: gru)

  • skip_rnn_num_layers – 跳跃部分要使用的 RNN 层数

  • skip_rnn_num_cells – 跳跃部分每层的 RNN 单元格数量 (默认: 10)

  • scaling – 是否自动缩放目标值 (默认: True)

  • 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次大小。

  • dtype – 数据类型 (默认: np.float32)

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 – 应用于数据进入模型之前的转换。

  • 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。

返回值类型

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 – 从中创建数据加载器的数据集。

返回值

数据加载器，即数据的批次上的可迭代对象。

返回值类型

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。

返回值

给定输入数据计算损失的网络。

返回值类型

HybridBlock

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

创建并返回训练和推理所需的转换。

返回值

在训练和推理时，逐条应用于数据集的转换。

返回值类型

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 – 从中创建数据加载器的数据集。

返回值

数据加载器，即数据的批次上的可迭代对象。

返回值类型

DataLoader

lead_time: int#
prediction_length: int#