gluonts.torch.model.deep_npts package#

class gluonts.torch.model.deep_npts.DeepNPTSEstimator(freq: str, prediction_length: int, context_length: int, num_hidden_nodes: typing.Optional[typing.List[int]] = None, batch_norm: bool = False, use_feat_static_cat: bool = False, num_feat_static_real: int = 0, num_feat_dynamic_real: int = 0, cardinality: typing.Optional[typing.List[int]] = None, embedding_dimension: typing.Optional[typing.List[int]] = None, input_scaling: typing.Optional[typing.Union[typing.Callable, str]] = None, dropout_rate: float = 0.0, network_type: gluonts.torch.model.deep_npts._network.DeepNPTSNetwork = <class 'gluonts.torch.model.deep_npts._network.DeepNPTSNetworkDiscrete'>, epochs: int = 100, lr: float = 1e-05, batch_size: int = 32, num_batches_per_epoch: int = 100, cache_data: bool = False, loss_scaling: typing.Optional[typing.Union[typing.Callable, str]] = None)[source]#

基类: gluonts.model.estimator.Estimator

构建一个 DeepNPTS 估计器。这是 NPTS 的一个可调扩展，其中采样概率是从数据中学习得到的。与 NPTS 不同，这是一个全局模型。

目前实现了两种模型变体：(i) DeepNPTSNetworkDiscrete：预测分布是类似于 NPTS 的离散分布，预测值从上下文窗口中的观测值中采样。(ii) DeepNPTSNetworkSmooth：预测分布是平滑的混合分布，其中混合成分是以上下文窗口中的观测值为中心的 Gaussian 分布。混合概率和 Gaussian 分布的宽度都是学习得到的。这里的预测可以包含在上下文窗口中未观测到的值。

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 – 在计算预测之前，RNN 展开的步数（默认值：None，此时 context_length = prediction_length）
num_hidden_nodes – 一个列表，包含每个隐藏层中的节点数
batch_norm – 标志，指示是否应在每一层应用批量归一化
use_feat_static_cat – 是否使用数据中的 feat_static_cat 字段（默认值：False）
num_feat_static_real – 数据集中的静态实数特征数量
num_feat_dynamic_real – 数据集中的动态特征数量。这些特征会被添加到根据频率自动创建的时间序列特征中
cardinality – 每个类别特征的值的数量。如果 use_feat_static_cat == True，则必须设置此参数（默认值：None）
embedding_dimension – 类别特征嵌入的维度（默认值：[min(50, (cat+1)//2) for cat in cardinality]）
input_scaling – 应用于目标值的缩放方法。可用选项：“min_max_scaling” 和 “standard_normal_scaling”（默认值：不缩放）
dropout_rate – Dropout 正则化参数（默认值：不使用 dropout）
network_type – 使用的网络类型：可以是离散版本 DeepNPTSNetworkDiscrete 或平滑版本 DeepNPTSNetworkSmooth（默认值：DeepNPTSNetworkDiscrete）

get_predictor(net: torch.nn.modules.module.Module, device=‘cpu’) → gluonts.torch.model.predictor.PyTorchPredictor[source]#

input_transform() → gluonts.transform._base.Transformation[source]#

instance_splitter(instance_sampler, is_train: bool = True) → gluonts.transform.split.InstanceSplitter[source]#

lead_time: int#

loss_scaling: Optional[Callable]#

prediction_length: int#

train(training_data: gluonts.dataset.Dataset, validation_data: Optional[gluonts.dataset.Dataset] = None, cache_data: bool = False) → gluonts.torch.model.predictor.PyTorchPredictor[source]#

在给定数据上训练估计器。

参数

training_data – 用于训练模型的数据集。
validation_data – 训练期间用于验证模型的数据集。

返回值

包含已训练模型的预测器。

返回类型

预测器

train_model(training_data: gluonts.dataset.Dataset, cache_data: bool = False) → gluonts.torch.model.deep_npts._network.DeepNPTSNetwork[source]#

training_data_loader(training_dataset, batch_size: int, num_batches_per_epoch: int) → Iterable[Dict[str, Any]][source]#

class gluonts.torch.model.deep_npts.DeepNPTSMultiStepNetwork(net: gluonts.torch.model.deep_npts._network.DeepNPTSNetwork, prediction_length: int, num_parallel_samples: int = 100)[source]#

基类: torch.nn.modules.module.Module

实现多步预测，给定一个已训练的 DeepNPTSNetwork 模型，该模型输出一步预测分布。

forward(feat_static_cat: torch.Tensor, feat_static_real: torch.Tensor, past_target: torch.Tensor, past_observed_values: torch.Tensor, past_time_feat: torch.Tensor, future_time_feat: torch.Tensor)[source]#

从预测分布中生成样本。

参数

feat_static_cat – 形状 (-1, num_features)。
feat_static_real – 形状 (-1, num_features)。
past_target – 形状 (-1, context_length)。
past_observed_values – 形状 (-1, context_length)。
past_time_feat – 形状 (-1, context_length, self.num_time_features)。
future_time_feat – 形状 (-1, prediction_length, self.num_time_features)。

返回值

包含预测分布样本的 Tensor。形状为 (-1, self.num_parallel_samples, self.prediction_length)。

返回类型

torch.Tensor

training: bool#

class gluonts.torch.model.deep_npts.DeepNPTSNetwork(context_length: int, num_hidden_nodes: List[int], cardinality: List[int], embedding_dimension: List[int], num_time_features: int, batch_norm: bool = False, input_scaling: Optional[Union[Callable, str]] = None, dropout_rate: float = 0.0)[source]#

基类: torch.nn.modules.module.Module

基类，实现了一个简单的前馈神经网络，该网络接收静态特征和动态特征，并产生 num_hidden_nodes 个独立输出。这些输出随后被派生类用于构建单个时间步的预测分布。

请注意，动态特征仅被视为独立特征，不考虑其时间特性。

forward(feat_static_cat: torch.Tensor, feat_static_real: torch.Tensor, past_target: torch.Tensor, past_observed_values: torch.Tensor, past_time_feat: torch.Tensor)[source]#

参数

feat_static_cat – 形状 (-1, num_features)。
feat_static_real – 形状 (-1, num_features)。
past_target – 形状 (-1, context_length)。
past_observed_values – 形状 (-1, context_length)。
past_time_feat – 形状 (-1, context_length, self.num_time_features)。

training: bool#

class gluonts.torch.model.deep_npts.DeepNPTSNetworkDiscrete(*args, use_softmax: bool = False, **kwargs)[source]#

基类: gluonts.torch.model.deep_npts._network.DeepNPTSNetwork

扩展 DeepNTPSNetwork，实现了输出层，该输出层将基础网络的输出转换为长度为 context_length 的概率。这些概率与上下文窗口中的过去值一起构成一步预测分布。具体来说，预测始终是上下文窗口中观测到的值之一，具有相应的预测概率。

参数

*args – 传递给 DeepNPTSNetwork 的参数。
use_softmax – 标志，指示是将基础网络的输出转换为概率时使用 softmax 还是归一化。
kwargs – 传递给 DeepNPTSNetwork 的关键字参数。

参数

feat_static_cat – 形状 (-1, num_features)。
feat_static_real – 形状 (-1, num_features)。
past_target – 形状 (-1, context_length)。
past_observed_values – 形状 (-1, context_length)。
past_time_feat – 形状 (-1, context_length, self.num_time_features)。

training: bool#

class gluonts.torch.model.deep_npts.DeepNPTSNetworkSmooth(*args, **kwargs)[source]#

基类: gluonts.torch.model.deep_npts._network.DeepNPTSNetwork

扩展 DeepNTPSNetwork，实现了输出层，该输出层将基础网络的输出转换为平滑的混合分布。混合成分是以上下文窗口中的观测值为中心的 Gaussian 分布。网络的输出预测混合概率和 Gaussian 分布的宽度。

此混合分布代表一步预测分布。请注意，预测可以包含在上下文窗口中未观测到的值。

参数

feat_static_cat – 形状 (-1, num_features)。
feat_static_real – 形状 (-1, num_features)。
past_target – 形状 (-1, context_length)。
past_observed_values – 形状 (-1, context_length)。
past_time_feat – 形状 (-1, context_length, self.num_time_features)。

training: bool#

子模块#

gluonts.torch.model.deep_npts.scaling module