gluonts.mx.model.tft 包

class gluonts.mx.model.tft.TemporalFusionTransformerEstimator(freq: str, prediction_length: int, context_length: Optional[int] = 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=True, init='xavier', learning_rate=0.001, num_batches_per_epoch=50, weight_decay=1e-08), hidden_dim: int = 32, variable_dim: Optional[int] = None, num_heads: int = 4, quantiles: List[float] = [0.1, 0.5, 0.9], num_instance_per_series: int = 100, dropout_rate: float = 0.1, time_features: List[Callable[[pandas.core.indexes.period.PeriodIndex], numpy.ndarray]] = [], static_cardinalities: Dict[str, int] = {}, dynamic_cardinalities: Dict[str, int] = {}, static_feature_dims: Dict[str, int] = {}, dynamic_feature_dims: Dict[str, int] = {}, past_dynamic_features: List[str] = [], 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

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。

• context_length – 作为编码器输入的先前时间序列值的数量。（默认值：None）

• trainer – 要使用的训练器对象（默认值：Trainer()）

• hidden_dim – LSTM 和 Transformer 隐藏状态的大小。

• variable_dim – 特征嵌入的大小。

• num_heads – 解码器中自注意力层的注意力头数量。

• quantiles – 模型将学习预测的分位数列表。默认值：[0.1, 0.5, 0.9]

• num_instances_per_series – 训练时为每个时间序列生成的样本数量。

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

• time_features – 时间特征列表，来自 gluonts.time_feature，用作提供的之外的动态实值特征（默认值：None，此时将根据 freq 自动确定）。

• static_cardinalities – 分类静态特征的基数。

• dynamic_cardinalities – 未来已知的分类动态特征的基数。

• static_feature_dims – 实值静态特征的大小。

• dynamic_dims – 未来已知的实值动态特征的大小。

• past_dynamic_features – 仅在过去已知的实值动态特征名称列表。

• 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。

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

创建并返回一个预测器对象。

参数

• transformation – 应用于输入模型前的数据转换。

• 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

预测器

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

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。

返回值

数据加载器，即数据的批次迭代器。

返回值类型

DataLoader

create_training_network() → gluonts.mx.model.tft._network.TemporalFusionTransformerTrainingNetwork

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

创建并返回训练和推理所需的转换。

返回值

在训练和推理时按条目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]]

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。

返回值

数据加载器，即数据的批次迭代器。

返回值类型

DataLoader

lead_time: int

prediction_length: int