推理数据集

class darts.utils.data.inference_dataset.DualCovariatesInferenceDataset(target_series, covariates=None, n=1, stride=0, bounds=None, input_chunk_length=12, output_chunk_length=1, output_chunk_shift=0, use_static_covariates=True)[源代码]

基类：InferenceDataset

包含 (past_target, historic_future_covariates, future_covariates, static_covariates) 元组。

参数

  • target_series (Union[TimeSeries, Sequence[TimeSeries]]) – 将要预测到未来的目标系列。

  • covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选地，一些用于预测的未来已知协变量。如果模型是使用未来已知协变量训练的，则此参数是必需的。

  • n (int) – 预测范围：在目标序列结束之后预测的时间步数。

  • stride (int) – 可选地，两个连续预测之间的时间步数。只能与 bounds 一起使用。

  • bounds (Optional[ndarray, None]) – 可选地，一个形状为 (n 系列, 2) 的数组，其中包含每个系列的左右预测起始点边界。边界必须表示系列的位序索引（0, len(系列)）。如果提供，stride 必须 >=1。

  • input_chunk_length (int) – 模型作为输入的目标序列的长度。

  • output_chunk_length (int) – 模型在输出中发出的目标序列的长度。

  • output_chunk_shift (int) – 可选地，将输出块的开始时间点向未来移动的步数。

  • use_static_covariates (bool) – 是否使用/包含输入序列中的静态协变量数据。

class darts.utils.data.inference_dataset.FutureCovariatesInferenceDataset(target_series, covariates=None, n=1, stride=0, bounds=None, input_chunk_length=12, output_chunk_length=None, output_chunk_shift=0, covariate_type=CovariateType.FUTURE, use_static_covariates=True)[源代码]

基类：InferenceDataset

包含 (过去目标, 未来协变量, 静态协变量) 元组

参数

  • target_series (Union[TimeSeries, Sequence[TimeSeries]]) – 将要预测到未来的目标系列。

  • covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选地，一些用于预测的未来已知协变量。如果模型是使用未来已知协变量训练的，则此参数是必需的。

  • n (int) – 预测范围：在目标序列结束之后预测的时间步数。

  • stride (int) – 可选地，两个连续预测之间的时间步数。只能与 bounds 一起使用。

  • bounds (Optional[ndarray, None]) – 可选地，一个形状为 (n 系列, 2) 的数组，其中包含每个系列的左右预测起始点边界。边界必须表示系列的位序索引（0, len(系列)）。如果提供，stride 必须 >=1。

  • input_chunk_length (int) – 模型作为输入的目标序列的长度。

  • output_chunk_length (Optional[int, None]) – 可选地，模型在输出中发出的目标序列的长度。如果为 None，将使用与 n 相同的值。

  • output_chunk_shift (int) – 可选地，将输出块的开始时间点向未来移动的步数。

  • use_static_covariates (bool) – 是否使用/包含输入序列中的静态协变量数据。

class darts.utils.data.inference_dataset.GenericInferenceDataset(target_series, covariates=None, n=1, stride=0, bounds=None, input_chunk_length=12, output_chunk_length=1, output_chunk_shift=0, covariate_type=CovariateType.PAST, use_static_covariates=True)[源代码]

基类：InferenceDataset

包含 (past_target, past_covariates | historic_future_covariates, future_past_covariates | future_covariate, static_covariates)。

“future_past_covariates” 是那些恰好在未来也已知的过去协变量——这些协变量对于使用依赖于过去协变量的模型进行 n > output_chunk_length 的预测是必需的。因此，当 n > output_chunk_length 时，此数据集还将发出“future past_covariates”。

historic_future_covariates 是过去输入块中给出的历史未来协变量。

参数

  • target_series (Union[TimeSeries, Sequence[TimeSeries]]) – 将要预测到未来的目标系列。

  • covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选地，一个或一系列包含过去或未来协变量的 TimeSeries。如果在训练期间使用了协变量，则在预测时必须提供相同类型的协变量。

  • n (int) – 预测范围：在目标序列结束之后预测的时间步数。

  • stride (int) – 可选地，两个连续预测之间的时间步数。只能与 bounds 一起使用。

  • bounds (Optional[ndarray, None]) – 可选地，一个形状为 (n 系列, 2) 的数组，其中包含每个系列的左右预测起始点边界。边界必须表示系列的位序索引（0, len(系列)）。如果提供，stride 必须 >=1。

  • input_chunk_length (int) – 模型作为输入的目标序列的长度。

  • output_chunk_length (int) – 模型在输出中发出的目标序列的长度。

  • output_chunk_shift (int) – 可选地，将输出块的开始时间点向未来移动的步数。

  • use_static_covariates (bool) – 是否使用/包含输入序列中的静态协变量数据。

方法

find_list_index
static find_list_index(index, cumulative_lengths, bounds, stride)[源代码]
class darts.utils.data.inference_dataset.InferenceDataset[源代码]

基类：ABC, Dataset

所有 darts torch 推理数据集的抽象类。

它可以作为模型的输入，用于在每个 TimeSeries 上获得简单的预测（如果指定了协变量则使用协变量）。

它包含的元组的第一个元素是 numpy 数组（这些数组将被 torch DataLoader 转换为 torch 张量）。元组的最后一个元素是（过去的）目标时间序列，这对于正确构建预测序列的时间轴是必需的。

class darts.utils.data.inference_dataset.MixedCovariatesInferenceDataset(target_series, past_covariates=None, future_covariates=None, n=1, stride=0, bounds=None, input_chunk_length=12, output_chunk_length=1, output_chunk_shift=0, use_static_covariates=True)[源代码]

基类：InferenceDataset

包含 (past_target, past_covariates, historic_future_covariates, future_covariates, future_past_covariates, static_covariates) 元组。”future_past_covariates” 是那些恰好在未来也已知的过去协变量——这些协变量对于任何依赖过去协变量的模型进行 n > output_chunk_length 的预测是必需的。

参数

  • target_series (Union[TimeSeries, Sequence[TimeSeries]]) – 将要预测到未来的目标系列。

  • past_covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选地，一些用于预测的过去观测到的协变量。如果模型是使用过去观测到的协变量训练的，则此参数是必需的。

  • future_covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选地，一些用于预测的未来已知协变量。如果模型是使用未来已知协变量训练的，则此参数是必需的。

  • n (int) – 预测范围：在目标序列结束之后预测的时间步数。

  • stride (int) – 可选地，两个连续预测之间的时间步数。只能与 bounds 一起使用。

  • bounds (Optional[ndarray, None]) – 可选地，一个形状为 (n 系列, 2) 的数组，其中包含每个系列的左右预测起始点边界。边界必须表示系列的位序索引（0, len(系列)）。如果提供，stride 必须 >=1。

  • input_chunk_length (int) – 模型作为输入的目标序列的长度。

  • output_chunk_length (int) – 模型在输出中发出的目标序列的长度。

  • output_chunk_shift (int) – 可选地，将输出块的开始时间点向未来移动的步数。

  • use_static_covariates (bool) – 是否使用/包含输入序列中的静态协变量数据。

class darts.utils.data.inference_dataset.PastCovariatesInferenceDataset(target_series, covariates=None, n=1, stride=0, bounds=None, input_chunk_length=12, output_chunk_length=1, output_chunk_shift=0, covariate_type=CovariateType.PAST, use_static_covariates=True)[源代码]

基类：InferenceDataset

包含 (past_target, past_covariates, future_past_covariates, static_covariates)。

future_past_covariates 是那些恰好在未来也已知的过去协变量——这些协变量对于使用依赖于过去协变量的模型进行 n > output_chunk_length 的预测是必需的。

因此，当 n > output_chunk_length 时，此数据集还将发出“未来的 past_covariates”。

参数

  • target_series (Union[TimeSeries, Sequence[TimeSeries]]) – 将要预测到未来的目标系列。

  • covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选地，一些用于预测的过去观测到的协变量。如果模型是使用过去观测到的协变量训练的，则此参数是必需的。

  • n (int) – 预测范围：在目标序列结束之后预测的时间步数。

  • stride (int) – 可选地，两个连续预测之间的时间步数。只能与 bounds 一起使用。

  • bounds (Optional[ndarray, None]) – 可选地，一个形状为 (n 系列, 2) 的数组，其中包含每个系列的左右预测起始点边界。边界必须表示系列的位序索引（0, len(系列)）。如果提供，stride 必须 >=1。

  • input_chunk_length (int) – 模型作为输入的目标序列的长度。

  • output_chunk_length (int) – 模型在输出中发出的目标序列的长度。

  • output_chunk_shift (int) – 可选地，将输出块的开始时间点向未来移动的步数。

  • use_static_covariates (bool) – 是否使用/包含输入序列中的静态协变量数据。

class darts.utils.data.inference_dataset.SplitCovariatesInferenceDataset(target_series, past_covariates=None, future_covariates=None, n=1, stride=0, bounds=None, input_chunk_length=12, output_chunk_length=1, output_chunk_shift=0, use_static_covariates=True)[源代码]

基类：InferenceDataset

包含 (past_target, past_covariates, future_covariates, future_past_covariates, static_covariates) 元组。“future_past_covariates” 是那些恰好在未来也已知的过去协变量——这些协变量对于任何依赖过去协变量的模型进行 n > output_chunk_length 的预测是必需的。

参数

  • target_series (Union[TimeSeries, Sequence[TimeSeries]]) – 将要预测到未来的目标系列。

  • past_covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选地，一些用于预测的过去观测到的协变量。如果模型是使用过去观测到的协变量训练的，则此参数是必需的。

  • future_covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选地，一些用于预测的未来已知协变量。如果模型是使用未来已知协变量训练的，则此参数是必需的。

  • n (int) – 预测范围：在目标序列结束之后预测的时间步数。

  • stride (int) – 可选地，两个连续预测之间的时间步数。只能与 bounds 一起使用。

  • bounds (Optional[ndarray, None]) – 可选地，一个形状为 (n 系列, 2) 的数组，其中包含每个系列的左右预测起始点边界。边界必须表示系列的位序索引（0, len(系列)）。如果提供，stride 必须 >=1。

  • input_chunk_length (int) – 模型作为输入的目标序列的长度。

  • output_chunk_length (int) – 模型在输出中发出的目标序列的长度。

  • output_chunk_shift (int) – 可选地，将输出块的开始时间点向未来移动的步数。

  • use_static_covariates (bool) – 是否使用/包含输入序列中的静态协变量数据。

上一页

基于地平线的训练数据集

下一页

顺序训练数据集