gluonts.mx.model.tpp.predictor 模块#
- class gluonts.mx.model.tpp.predictor.PointProcessGluonPredictor(input_names: typing.List[str], prediction_net: mxnet.gluon.block.Block, batch_size: int, prediction_interval_length: float, freq: str, ctx: mxnet.context.Context, input_transform: gluonts.transform._base.Transformation, dtype: typing.Type = <class 'numpy.float32'>, forecast_generator: gluonts.model.forecast_generator.ForecastGenerator = <gluonts.mx.model.tpp.predictor.PointProcessForecastGenerator object>, **kwargs)[source]#
基类:
gluonts.mx.model.predictor.GluonPredictor标记时间点过程模型的预测器对象。
TPP 预测与标准离散时间模型在几个方面有所不同。首先，至少目前，只有实现 PointProcessSampleForecast 的样本预测可用。与 TPP 估计器对象类似，预测器使用
prediction_interval_length而非prediction_length。预测器还考虑了预测网络输出一个包含样本本身及其 valid_length 的 2 元组 Tensor。
- 参数
prediction_interval_length – 预测区间的长度
- as_symbol_block_predictor(batch: Optional[Dict[str, Any]] = None, dataset: Optional[gluonts.dataset.Dataset] = None) gluonts.mx.model.predictor.SymbolBlockPredictor[source]#
返回一个由 Gluon SymbolBlock 支持的当前
GluonPredictor变体。如果当前预测器已经是SymbolBlockPredictor，则直接返回自身。batch 或 dataset 必须设置其中一个。
- 参数
batch – 在底层网络调用 hybridize() 后用于必要的前向传播的数据批次。
dataset – 如果未设置 batch，则从中提取批次的数据集。
- 返回
一个由 SymbolBlock 支持的、从当前预测器派生的预测器。
- 返回类型
- hybridize(batch: Dict[str, Any]) None[source]#
对底层的预测网络进行 Hybridize 操作。
- 参数
batch – 在调用 hybridize() 后用于必要的前向传播的数据批次。
- predict(dataset: gluonts.dataset.Dataset, num_samples: Optional[int] = None, num_workers: Optional[int] = None, num_prefetch: Optional[int] = None, **kwargs) Iterator[gluonts.model.forecast.Forecast][source]#
计算所提供数据集中时间序列的预测。此方法在此抽象类中未实现；请使用其子类之一。:param dataset: 包含要预测时间序列的数据集。
- 返回
预测结果的迭代器，顺序与提供数据集迭代器的顺序相同。
- 返回类型
Iterator[Forecast]