gluonts.transform.sampler module

class gluonts.transform.sampler.BucketInstanceSampler(*, axis: int = - 1, min_past: int = 0, min_future: int = 0, scale_histogram: gluonts.dataset.stat.ScaleHistogram)

继承自： gluonts.transform.sampler.InstanceSampler

当处理具有偏斜分布的时间序列集合时（例如，如果数据集中包含许多值较小的时间序列和少数值较大的时间序列），可以使用此采样器。

从桶 i 中采样的概率是其元素数量的倒数。

参数

scale_histogram (gluonts.dataset.stat.ScaleHistogram) – 时间序列尺度的直方图。这里的尺度是时间序列的平均绝对值。

axis: int

min_future: int

min_past: int

scale_histogram: gluonts.dataset.stat.ScaleHistogram

class gluonts.transform.sampler.ContinuousTimePointSampler(*, min_past: float = 0.0, min_future: float = 0.0)

继承自： pydantic.v1.main.BaseModel

“连续时间”采样器的抽象类，它在给定下界和上界的情况下，从指定的时间间隔内采样连续时间中的“点”（事件）。

min_future: float

min_past: float

class gluonts.transform.sampler.ContinuousTimePredictionSampler(*, min_past: float = 0.0, min_future: float = 0.0, allow_empty_interval: bool = False)

继承自： gluonts.transform.sampler.ContinuousTimePointSampler

allow_empty_interval: bool

min_future: float

min_past: float

class gluonts.transform.sampler.ContinuousTimeUniformSampler(*, min_past: float = 0.0, min_future: float = 0.0, num_instances: int)

继承自： gluonts.transform.sampler.ContinuousTimePointSampler

实现了一个简单的随机采样器，用于在 a 和 b 之间的连续间隔内采样点。

min_future: float

min_past: float

num_instances: int

class gluonts.transform.sampler.ExpectedNumInstanceSampler(*, axis: int = - 1, min_past: int = 0, min_future: int = 0, num_instances: float, min_instances: int = 0, total_length: int = 0, n: int = 0)

继承自： gluonts.transform.sampler.InstanceSampler

跟踪平均时间序列长度，并调整每个时间点的概率，以便平均每个时间序列生成 num_instances 个训练样本。

参数

• num_instances (float) – 平均每个时间序列采样的点数

• min_instances (int) – 每个时间序列采样的最小时间点数

axis: int

min_future: int

min_instances: int

min_past: int

n: int

num_instances: float

total_length: int

class gluonts.transform.sampler.InstanceSampler(*, axis: int = - 1, min_past: int = 0, min_future: int = 0)

继承自： pydantic.v1.main.BaseModel

InstanceSampler 使用时间序列 ts 调用，并返回将生成训练实例的索引集合。

采样索引 i 满足 a <= i <= b，其中 a = min_past 且 b = ts.shape[axis] - min_future。

class Config

继承自： object

arbitrary_types_allowed = True

axis: int

min_future: int

min_past: int

class gluonts.transform.sampler.NumInstanceSampler(*, axis: int = - 1, min_past: int = 0, min_future: int = 0, N: int)

继承自： gluonts.transform.sampler.InstanceSampler

从每个序列中采样 N 个时间点。

参数

N (int) – 从每个时间序列中采样的点数。

N: int

axis: int

min_future: int

min_past: int

class gluonts.transform.sampler.PredictionSplitSampler(*, axis: int = - 1, min_past: int = 0, min_future: int = 0, allow_empty_interval: bool = False)

继承自： gluonts.transform.sampler.InstanceSampler

用于预测的采样器。

总是选择最后一个时间点进行分割，即时间序列的预测点。

allow_empty_interval: bool

gluonts.transform.sampler.TestSplitSampler(axis: int = - 1, min_past: int = 0) → gluonts.transform.sampler.PredictionSplitSampler

class gluonts.transform.sampler.UniformSplitSampler(*, axis: int = - 1, min_past: int = 0, min_future: int = 0, p: float)

继承自： gluonts.transform.sampler.InstanceSampler

以相同的固定概率采样每个点。

参数

p (float) – 选择一个时间点的概率

axis: int

min_future: int

min_past: int

p: float

gluonts.transform.sampler.ValidationSplitSampler(axis: int = - 1, min_past: int = 0, min_future: int = 0) → gluonts.transform.sampler.PredictionSplitSampler