gluonts.mx.model.tpp.forecast 模块#

class gluonts.mx.model.tpp.forecast.PointProcessSampleForecast(samples: Union[mxnet.ndarray.ndarray.NDArray, numpy.ndarray], valid_length: Union[mxnet.ndarray.ndarray.NDArray, numpy.ndarray], start_date: pandas._libs.tslibs.timestamps.Timestamp, freq: str, prediction_interval_length: float, item_id: Optional[str] = None, info: Optional[Dict] = None)[source]#

基类: gluonts.model.forecast.Forecast

用于时间点过程推断的样本预测对象。与标准预测对象不同，因为它不实现固定长度的样本。每个样本的长度是可变的，保存在单独的 valid_length 属性中。

重要的是，PointProcessSampleForecast 没有实现离散时间预测中可用的一些方法（例如 quantile 或 plot）。

参数

  • samples – 多维样本数组，形状为 (样本数量, 最大预测长度, 目标维度)。目标维度等于 2，其中第一维包含到达间隔时间，第二维包含类别标记。

  • valid_length – 一个整数数组，表示 samples 中每个样本的有效长度。也就是说，valid_length[0] == 2 表示 samples[0, ...] 的前两个条目是有效的“点”。

  • start_date (pandas._libs.tslibs.period.Period) – 样本的起始时间戳

  • freq – 到达间隔时间的时间单位

  • prediction_interval_length (float) – 绘制样本所依据的预测区间长度。

  • item_id (Optional[str]) – 项目 ID，如果可用。

  • info (Optional[Dict]) – 包含附加信息的可选字典。

dim() → int[source]#

返回预测对象的维度。

property freq#
property index: pandas.core.indexes.period.PeriodIndex#
info: Optional[Dict]#
item_id: Optional[str]#
mean = None#
plot(**kwargs)[source]#

使用 matplotlib 绘制中位数预测和预测区间。

默认绘制 0.5 和 0.9 预测区间。可以通过设置 intervals 选择其他区间。

这会绘制到当前轴对象（通过 plt.gca()），或者如果提供了 ax，则绘制到 ax。类似地，如果没有设置显式的 color，颜色会使用 matplotlib 的内部颜色循环。

可以将 name 设置为中位数预测的 label。区间不会被标记，除非将 show_label 设置为 True。

prediction_interval_length: float#
prediction_length: int = None#
quantile(q: Union[float, str]) → numpy.ndarray[source]#

从预测分布中计算分位数。

参数

q – 要计算的分位数。

返回值

预测范围内的分位数数值。

返回值类型

numpy.ndarray

start_date: pandas._libs.tslibs.period.Period#