gluonts.torch.model.deepar.estimator 模块

class gluonts.torch.model.deepar.estimator.DeepAREstimator(freq: str, prediction_length: int, context_length: Optional[int] = None, num_layers: int = 2, hidden_size: int = 40, lr: float = 0.001, weight_decay: float = 1e-08, dropout_rate: float = 0.1, patience: int = 10, num_feat_dynamic_real: int = 0, num_feat_static_cat: int = 0, num_feat_static_real: int = 0, cardinality: Optional[List[int]] = None, embedding_dimension: Optional[List[int]] = None, distr_output: gluonts.torch.distributions.distribution_output.DistributionOutput = gluonts.torch.distributions.studentT.StudentTOutput(beta=0.0), scaling: bool = True, default_scale: Optional[float] = None, lags_seq: Optional[List[int]] = None, time_features: Optional[List[Callable[[pandas.core.indexes.period.PeriodIndex], numpy.ndarray]]] = None, num_parallel_samples: int = 100, batch_size: int = 32, num_batches_per_epoch: int = 50, imputation_method: Optional[gluonts.transform.feature.MissingValueImputation] = None, trainer_kwargs: Optional[Dict[str, Any]] = None, train_sampler: Optional[gluonts.transform.sampler.InstanceSampler] = None, validation_sampler: Optional[gluonts.transform.sampler.InstanceSampler] = None, nonnegative_pred_samples: bool = False)

继承自: gluonts.torch.model.estimator.PyTorchLightningEstimator

用于训练 DeepAR 模型的 Estimator 类，如 [SFG17] 中所述。

此类使用 DeepARModel 中定义的模型，并将其封装到 DeepARLightningModule 中用于训练：训练使用 PyTorch Lightning 的 pl.Trainer 类进行。

注意：该模型的代码与 SageMaker 的 DeepAR 预测算法 背后的实现无关。

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 – 在计算预测之前用于展开 RNN 的步数（默认值：None，此时 context_length = prediction_length）。

• num_layers – RNN 层数（默认值：2）。

• hidden_size – 每层 RNN 单元数（默认值：40）。

• lr – 学习率（默认值：1e-3）。

• weight_decay – 权重衰减正则化参数（默认值：1e-8）。

• dropout_rate – Dropout 正则化参数（默认值：0.1）。

• patience – 学习率调度器的 patience 参数。

• num_feat_dynamic_real – 数据中的动态实数特征数量（默认值：0）。

• num_feat_static_real – 数据中的静态实数特征数量（默认值：0）。

• num_feat_static_cat – 数据中的静态分类特征数量（默认值：0）。

• cardinality – 每个分类特征的值的数量。如果 num_feat_static_cat > 0，则必须设置此参数（默认值：None）。

• embedding_dimension – 分类特征的嵌入维度（默认值：[min(50, (cat+1)//2) for cat in cardinality]）。

• distr_output – 用于评估观测值和采样预测的分布（默认值：StudentTOutput()）。

• scaling – 是否自动缩放目标值（默认值：true）。

• default_scale – 如果上下文长度窗口完全未观测到，则应用的默认比例。如果未设置，则此情况下的比例将是批次中的平均比例。

• lags_seq – 用作 RNN 输入的滞后目标值的索引（默认值：None，此时将根据 freq 自动确定）。

• time_features – 时间特征列表，来自 gluonts.time_feature，用作 RNN 输入，除了提供的数据（默认值：None，此时将根据 freq 自动确定）。

• num_parallel_samples – 最终预测器应为每个时间序列生成的样本数量（默认值：100）。

• batch_size – 用于训练的批次大小（默认值：32）。

• num_batches_per_epoch – 每个训练 epoch 中处理的批次数量（默认值：50）。

• trainer_kwargs – 提供给 pl.Trainer 用于构造的附加参数。

• train_sampler – 控制训练期间窗口的采样。

• validation_sampler – 控制验证期间窗口的采样。

• nonnegative_pred_samples – 最终预测样本是否应为非负数？如果是，则应用激活函数以确保非负。请注意，这仅应用于最终样本，在训练期间不应用。

create_lightning_module() → gluonts.torch.model.deepar.lightning_module.DeepARLightningModule

创建并返回用于训练的网络（即计算损失）。

返回

根据输入数据计算损失的网络。

返回类型

pl.LightningModule

create_predictor(transformation: gluonts.transform._base.Transformation, module: gluonts.torch.model.deepar.lightning_module.DeepARLightningModule) → gluonts.torch.model.predictor.PyTorchPredictor

创建并返回一个预测器对象。

参数

• transformation – 在数据进入模型之前应用于数据的转换。

• module – 一个训练好的 pl.LightningModule 对象。

返回

封装用于推理的 nn.Module 的预测器。

返回类型

预测器

create_training_data_loader(data: gluonts.dataset.Dataset, module: gluonts.torch.model.deepar.lightning_module.DeepARLightningModule, shuffle_buffer_length: Optional[int] = None, **kwargs) → Iterable

创建用于训练的数据加载器。

参数

• data – 用于创建数据加载器的数据集。

• module – 将接收数据加载器批次的 pl.LightningModule 对象。

返回

数据加载器，即数据的批次可迭代对象。

返回类型

可迭代对象

create_transformation() → gluonts.transform._base.Transformation

创建并返回训练和推理所需的转换。

返回

在训练和推理时，将逐条应用于数据集的转换。

返回类型

转换

create_validation_data_loader(data: gluonts.dataset.Dataset, module: gluonts.torch.model.deepar.lightning_module.DeepARLightningModule, **kwargs) → Iterable

创建用于验证的数据加载器。

参数

• data – 用于创建数据加载器的数据集。

• module – 将接收数据加载器批次的 pl.LightningModule 对象。

返回

数据加载器，即数据的批次可迭代对象。

返回类型

可迭代对象

classmethod derive_auto_fields(train_iter)

lead_time: int

prediction_length: int