gluonts.mx.model.tpp.distribution.base 模块#

class gluonts.mx.model.tpp.distribution.base.TPPDistribution[source]#

时间点过程 (temporal point processes) 中使用的分布。

此类必须实现新的方法 log_intensity 和 log_survival，这些方法对于计算 TPP 实现的对数似然是必需的。此外，sample_conditional 对于采样 TPP 也是必需的。

arg_names: Tuple#

cdf(y: Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol]) → Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol][source]#

返回在 x 处评估的累积分布函数值。: log_intensity(x: Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol]) → Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol][source]#

强度函数（也称为风险函数）的对数。

强度定义为 \(\lambda(x) = p(x) / S(x)\)。

log_prob(x: Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol]) → Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol][source]#

计算分布在 x 处的对数密度。

参数

x – 形状为 (*batch_shape, *event_shape) 的张量。: 返回
形状为 batch_shape 的张量，包含 x 中每个事件的分布对数密度。: 返回类型
张量: log_survival(x: Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol]) → Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol][source]#

生存函数 log S(x) = log(1 - CDF(x)) 的对数。: sample(num_samples=None, dtype=<class 'numpy.float32'>, lower_bound: typing.Optional[typing.Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol]] = None) → Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol][source]#

从分布中抽取样本。

如果给出 num_samples，则输出的第一个维度将是 num_samples。

num_samples – 要抽取的样本数量。

x – 形状为 (*batch_shape, *event_shape) 的张量。

dtype – 样本的数据类型。
一个包含样本的张量。如果 num_samples = None，则形状为 (*batch_shape, *eval_shape)，否则形状为 (num_samples, *batch_shape, *eval_shape)。

形状为 batch_shape 的张量，包含 x 中每个事件的分布对数密度。

class gluonts.mx.model.tpp.distribution.base.TPPDistributionOutput[source]#

张量

log_survival(x: Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol]) → Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol][source]#

基类: gluonts.mx.distribution.distribution_output.DistributionOutput

根据网络输出构建分布的类。

与基类 DistributionOutput 相比，有两点不同：1. 无法指定位置参数（所有分布必须从 0 开始）。2. 返回类型是 TPPDistribution 或 TPPTransformedDistribution。

args_dim: Dict[str, int]#

distr_cls: type#

distribution(distr_args, loc=None, scale: Optional[Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol]]] = None) → Union[gluonts.mx.model.tpp.distribution.base.TPPDistribution, gluonts.mx.model.tpp.distribution.base.TPPTransformedDistribution][source]#

给定构造函数参数集合和可选的比例张量，构造相关的分布。

distr_args – 底层 TPPDistribution 类型的构造函数参数。

x – 形状为 (*batch_shape, *event_shape) 的张量。

loc – 位置参数，此处指定是为了与超类兼容。永远不应指定。
scale – 可选张量，与结果分布的 batch_shape+event_shape 具有相同的形状。
class gluonts.mx.model.tpp.distribution.base.TPPTransformedDistribution(base_distribution: gluonts.mx.model.tpp.distribution.base.TPPDistribution, transforms: List[gluonts.mx.distribution.bijection.Bijection])[source]#

基类: gluonts.mx.distribution.transformed_distribution.TransformedDistribution

时间点过程 (temporal point processes) 中使用的 TransformedDistribution。

此外，传递给构造函数的转换序列必须是递增的。

arg_names: Tuple#

base_distribution: gluonts.mx.model.tpp.distribution.base.TPPDistribution#

cdf(y: Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol]) → Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol][source]#

log_intensity(y: Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol]) → Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol][source]#: log_intensity(x: Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol]) → Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol][source]#

强度定义为 \(\lambda(y) = p(y) / S(y)\)。

强度定义为 \(\lambda(x) = p(x) / S(x)\)。

log_survival(y: Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol]) → Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol][source]#

生存函数的对数。

\(\log S(y) = \log(1 - CDF(y))\)

sample(num_samples=None, dtype=<class 'numpy.float32'>, lower_bound: typing.Optional[typing.Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol]] = None) → Union[mxnet.ndarray.ndarray.NDArray, mxnet.symbol.symbol.Symbol][source]#

num_samples – 生成的样本数量。

如果给出 num_samples，则输出的第一个维度将是 num_samples。

x – 形状为 (*batch_shape, *event_shape) 的张量。

dtype – 生成样本的数据类型。
lower_bound – 如果为 None，则照常生成样本。如果提供了 lower_bound，则所有生成的样本将大于指定值。也就是说，我们从 p(x | x > lower_bound) 中采样。形状: (*batch_size)
从基础分布中抽取的转换样本。形状: (num_samples, *batch_size)

形状为 batch_shape 的张量，包含 x 中每个事件的分布对数密度。

张量

gluonts.mx.model.tpp.distribution.loglogistic 模块

gluonts.mx.model.tpp.distribution 包