gluonts.torch.model.d_linear.module 模块

class gluonts.torch.model.d_linear.module.DLinearModel(prediction_length: int, context_length: int, hidden_dimension: int, distr_output=gluonts.torch.distributions.studentT.StudentTOutput(beta=0.0), kernel_size: int = 25, scaling: str = 'mean')

基类: torch.nn.modules.module.Module

实现论文 https://arxiv.org/pdf/2205.13504.pdf 中的前馈模型的模块，并扩展用于概率预测。

参数

• prediction_length – 预测的时间点数。

• context_length – 模型在预测时间之前使用的时间步数。

• hidden_dimension – 前馈网络中最后一个隐藏层的大小。

• distr_output – 用于评估观测值和采样预测的分布。

describe_inputs(batch_size=1) → gluonts.model.inputs.InputSpec

forward(past_target: torch.Tensor, past_observed_values: torch.Tensor) → Tuple[Tuple[torch.Tensor, ...], torch.Tensor, torch.Tensor]

定义每次调用时执行的计算。

应由所有子类覆盖。

注意

尽管前向传播的实现需要在该函数内定义，但之后应调用 Module 实例而不是该函数，因为前者负责运行已注册的钩子，而后者会静默忽略它们。

loss(past_target: torch.Tensor, past_observed_values: torch.Tensor, future_target: torch.Tensor, future_observed_values: torch.Tensor) → torch.Tensor

training: bool

class gluonts.torch.model.d_linear.module.MovingAvg(kernel_size, stride)

基类: torch.nn.modules.module.Module

用于突出时间序列趋势的移动平均块。

forward(x)

定义每次调用时执行的计算。

应由所有子类覆盖。

注意

尽管前向传播的实现需要在该函数内定义，但之后应调用 Module 实例而不是该函数，因为前者负责运行已注册的钩子，而后者会静默忽略它们。

training: bool

class gluonts.torch.model.d_linear.module.SeriesDecomp(kernel_size)

基类: torch.nn.modules.module.Module

序列分解块。

forward(x)

定义每次调用时执行的计算。

应由所有子类覆盖。

注意

尽管前向传播的实现需要在该函数内定义，但之后应调用 Module 实例而不是该函数，因为前者负责运行已注册的钩子，而后者会静默忽略它们。

training: bool