gluonts.mx.model.renewal package#

class gluonts.mx.model.renewal.DeepRenewalProcessEstimator(prediction_length: int, context_length: int, num_cells: int, num_layers: int, dropout_rate: float = 0.1, interval_distr_output: gluonts.mx.distribution.distribution_output.DistributionOutput = gluonts.mx.distribution.neg_binomial.NegativeBinomialOutput(), size_distr_output: gluonts.mx.distribution.distribution_output.DistributionOutput = gluonts.mx.distribution.neg_binomial.NegativeBinomialOutput(), train_sampler: Optional[gluonts.transform.sampler.InstanceSampler] = None, validation_sampler: Optional[gluonts.transform.sampler.InstanceSampler] = None, 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), batch_size: int = 32, num_parallel_samples: int = 100, **kwargs)[source]#

继承自: gluonts.mx.model.estimator.GluonEstimator

实现了用于预测在离散时间采样的间歇性时间序列的深度更新过程估计器，如 [TWJ19] 中所述。

[TWJ19].

简而言之，该估计器不是将稀疏时间序列视为单变量随机过程，而是将稀疏时间序列 [0, 0, 0, 3, 0, 0, 7] 转换为间隔-大小格式，[(4, 3), (3, 7)]，其中每个有序对标记自上次正时间步长（间隔）以来的时间和正时间步长（大小）的值。然后，对此转换后的时间序列执行概率预测，这在间歇性需求文献中是常见的做法，例如 Croston 方法。

这种构造是离散时间下的自调制标记更新过程，因为它假设间隔的（条件）分布是相同的。

参数

  • prediction_length (int) – 预测范围的长度

  • context_length – 模型将基于多少个时间步长进行条件预测

  • num_cells – RNN 单元 (LSTM) 和用于投影到分布参数的密集层中使用的隐藏单元数量

  • num_layers – LSTM 中的层数

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

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

  • interval_distr_output – 间隔的分布输出对象。必须是支持正整数的分布，其中第一个参数对应于（条件）均值。

  • size_distr_output – 需求大小的分布输出对象。必须是支持正整数的分布，其中第一个参数对应于（条件）均值。

  • train_sampler – 控制训练期间的窗口采样。

  • validation_sampler – 控制验证期间的窗口采样。

  • batch_size – 训练和预测中使用的批量大小。

  • num_parallel_samples – 每个时间序列的评估样本数量，用于增加推理期间的并行性。这是一种不影响准确性的模型优化（默认值：100）

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 – 应用于进入模型前的数据的转换。

  • module – 一个已训练的 HybridBlock 对象。

返回

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]][source]#

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

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.renewal._network.DeepRenewalTrainingNetwork[source]#

创建并返回用于训练（即计算损失）的网络。

返回

根据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

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#