顺序训练数据集

class darts.utils.data.sequential_dataset.DualCovariatesSequentialDataset(target_series, covariates=None, input_chunk_length=12, output_chunk_length=1, output_chunk_shift=0, max_samples_per_ts=None, use_static_covariates=True, sample_weight=None)

基类：DualCovariatesTrainingDataset

一个时间序列数据集，包含元组 (过去目标, 历史未来协变量, 未来协变量, 静态协变量, 样本权重, 未来目标)。’过去’ 序列（包括 历史未来协变量）的长度为 输入块长度，’未来’ 序列的长度为 输出块长度。’未来’ 序列紧接在 ‘过去’ 序列之后。过去和未来协变量的切片分别与过去和未来目标的切片匹配。切片本身依赖于时间索引来对齐序列，如果它们的长度不相等。

每个序列必须足够长，以包含至少一个（输入，输出）对；即，每个序列的长度至少为 input_chunk_length + output_chunk_length。如果这些条件不满足，在尝试访问某些分割时将引发错误。

采样在时间序列的数量上是均匀的；即，该数据集的第 i 个样本有 1/N 的概率来自序列中的任意一个 N 个时间序列。如果时间序列的长度不同，它们将包含不同数量的切片。因此，如果某些切片属于较短的时间序列，它们可能会比其他切片被更频繁地采样。

参数

• target_series (Union[TimeSeries, Sequence[TimeSeries]]) – 一个或一系列目标 TimeSeries。

• covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选地，一个或一系列包含未来已知协变量的 TimeSeries。如果设置了此参数，则提供的序列长度必须与 target_series 相同。此外，序列中的所有协变量必须具有足够大的时间跨度，以包含所有所需的切片。目标和协变量的联合切片依赖于两者的时间轴。

• input_chunk_length (int) – 发出的过去系列的长度。

• output_chunk_length (int) – 发出的未来系列的长度。

• 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。

• max_samples_per_ts (Optional[int, None]) – 这是每个时间序列可以生成的元组数量的上限。它可以用于设置数据集总大小的上限，并确保适当的采样。如果为 None，它将在数据集创建时提前读取所有单个时间序列以了解它们的大小，这在大数据集上可能会很昂贵。如果某些系列的长度允许超过 max_samples_per_ts，则只考虑最近的 max_samples_per_ts 个样本。

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

• sample_weight (Union[TimeSeries, Sequence[TimeSeries], str, None]) – 可选地，一些应用于目标 series 标签的样本权重。它们按观察、按标签（output_chunk_length 中的每一步）和按组件应用。如果是一个序列或一系列序列，则使用这些权重。如果权重序列只有一个组件/列，则权重全局应用于 series 中的所有组件。否则，对于组件特定的权重，组件的数量必须与 series 中的组件数量匹配。如果是字符串，则使用内置的加权函数生成权重。可用的选项是 “linear” 或 “exponential” 衰减 - 越往过去，权重越低。权重是基于 series 中最长序列的长度全局计算的。然后对于每个序列，从全局权重的末尾提取权重。这为所有序列提供了共同的时间加权。

class darts.utils.data.sequential_dataset.FutureCovariatesSequentialDataset(target_series, covariates=None, input_chunk_length=12, output_chunk_length=1, output_chunk_shift=0, max_samples_per_ts=None, use_static_covariates=True, sample_weight=None)

基类：FutureCovariatesTrainingDataset

一个包含元组的时间序列数据集 (past_target, future_covariates, static_covariates, sample weights, future_target)。“过去”序列的长度为 input_chunk_length，而“未来”序列的长度为 output_chunk_length。“未来”序列紧接在“过去”序列之后。过去和未来协变量的切片分别与过去和未来目标的切片匹配。切片本身依赖于时间索引来对齐序列，如果它们的长度不相等。

每个序列必须足够长，以包含至少一个（输入，输出）对；即，每个序列的长度至少为 input_chunk_length + output_chunk_length。如果这些条件不满足，在尝试访问某些分割时将引发错误。

采样在时间序列的数量上是均匀的；即，该数据集的第 i 个样本有 1/N 的概率来自序列中的任意一个 N 个时间序列。如果时间序列的长度不同，它们将包含不同数量的切片。因此，如果某些切片属于较短的时间序列，它们可能会比其他切片被更频繁地采样。

参数

• target_series (Union[TimeSeries, Sequence[TimeSeries]]) – 一个或一系列目标 TimeSeries。

• covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选地，一个或一系列包含未来已知协变量的 TimeSeries。如果设置了此参数，则提供的序列长度必须与 target_series 相同。此外，序列中的所有协变量必须具有足够大的时间跨度，以包含所有所需的切片。目标和协变量的联合切片依赖于两者的时间轴。

• input_chunk_length (int) – 发出的过去系列的长度。

• output_chunk_length (int) – 发出的未来系列的长度。

• 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。

• max_samples_per_ts (Optional[int, None]) – 这是每个时间序列可以生成的元组数量的上限。它可以用于设置数据集总大小的上限，并确保适当的采样。如果为 None，它将在数据集创建时提前读取所有单个时间序列以了解它们的大小，这在大数据集上可能会很昂贵。如果某些系列的长度允许超过 max_samples_per_ts，则只考虑最近的 max_samples_per_ts 个样本。

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

• sample_weight (Union[TimeSeries, Sequence[TimeSeries], str, None]) – 可选地，一些应用于目标 series 标签的样本权重。它们按观察、按标签（output_chunk_length 中的每一步）和按组件应用。如果是一个序列或一系列序列，则使用这些权重。如果权重序列只有一个组件/列，则权重全局应用于 series 中的所有组件。否则，对于组件特定的权重，组件的数量必须与 series 中的组件数量匹配。如果是字符串，则使用内置的加权函数生成权重。可用的选项是 “linear” 或 “exponential” 衰减 - 越往过去，权重越低。权重是基于 series 中最长序列的长度全局计算的。然后对于每个序列，从全局权重的末尾提取权重。这为所有序列提供了共同的时间加权。

class darts.utils.data.sequential_dataset.MixedCovariatesSequentialDataset(target_series, past_covariates=None, future_covariates=None, input_chunk_length=12, output_chunk_length=1, output_chunk_shift=0, max_samples_per_ts=None, use_static_covariates=True, sample_weight=None)

基类：MixedCovariatesTrainingDataset

一个时间序列数据集，包含 (past_target, past_covariates, historic_future_covariates, future_covariates, static_covariates, sample weights, future_target) 的元组。’过去’ 序列（包括 historic_future_covariates）的长度为 input_chunk_length，而 ‘未来’ 序列的长度为 output_chunk_length。’未来’ 序列紧接在 ‘过去’ 序列之后。过去和未来协变量的切片分别与过去和未来目标的切片匹配。切片本身依赖于时间索引来对齐序列，如果它们的长度不相等。

每个序列必须足够长，以包含至少一个（输入，输出）对；即，每个序列的长度至少为 input_chunk_length + output_chunk_length。如果这些条件不满足，在尝试访问某些分割时将引发错误。

采样在时间序列的数量上是均匀的；即，该数据集的第 i 个样本有 1/N 的概率来自序列中的任意一个 N 个时间序列。如果时间序列的长度不同，它们将包含不同数量的切片。因此，如果某些切片属于较短的时间序列，它们可能会比其他切片被更频繁地采样。

参数

• target_series (Union[TimeSeries, Sequence[TimeSeries]]) – 一个或一系列目标 TimeSeries。

• past_covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选地，包含过去观测到的协变量的一个或多个 TimeSeries。如果设置了此参数，则提供的序列长度必须与 target_series 相同。此外，序列中的所有协变量必须具有足够大的时间跨度，以包含所有必需的切片。目标和协变量的联合切片依赖于两者的时间轴。

• future_covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选地，包含未来已知协变量的一个或一系列 TimeSeries。这必须遵循与 past_covariates 相同的约束。

• input_chunk_length (int) – 发出的过去系列的长度。

• output_chunk_length (int) – 发出的未来系列的长度。

• 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。

• max_samples_per_ts (Optional[int, None]) – 这是每个时间序列可以生成的元组数量的上限。它可以用于设置数据集总大小的上限，并确保适当的采样。如果为 None，它将在数据集创建时提前读取所有单个时间序列以了解它们的大小，这在大数据集上可能会很昂贵。如果某些系列的长度允许超过 max_samples_per_ts，则只考虑最近的 max_samples_per_ts 个样本。

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

• sample_weight (Union[TimeSeries, Sequence[TimeSeries], str, None]) – 可选地，一些应用于目标 series 标签的样本权重。它们按观察、按标签（output_chunk_length 中的每一步）和按组件应用。如果是一个序列或一系列序列，则使用这些权重。如果权重序列只有一个组件/列，则权重全局应用于 series 中的所有组件。否则，对于组件特定的权重，组件的数量必须与 series 中的组件数量匹配。如果是字符串，则使用内置的加权函数生成权重。可用的选项是 “linear” 或 “exponential” 衰减 - 越往过去，权重越低。权重是基于 series 中最长序列的长度全局计算的。然后对于每个序列，从全局权重的末尾提取权重。这为所有序列提供了共同的时间加权。

class darts.utils.data.sequential_dataset.PastCovariatesSequentialDataset(target_series, covariates=None, input_chunk_length=12, output_chunk_length=1, output_chunk_shift=0, max_samples_per_ts=None, use_static_covariates=True, sample_weight=None)

基类：PastCovariatesTrainingDataset

一个时间序列数据集，包含 (past_target, past_covariates, static_covariates, sample weights, future_target) 的元组。“过去”序列的长度为 input_chunk_length，而“未来”序列的长度为 output_chunk_length。“未来”序列紧随“过去”序列之后。过去和未来协变量的切片分别与过去和未来目标的切片匹配。切片本身依赖于时间索引来对齐序列，如果它们的长度不相等。

每个序列必须足够长，以包含至少一个（输入，输出）对；即，每个序列的长度至少为 input_chunk_length + output_chunk_length。如果这些条件不满足，在尝试访问某些分割时将引发错误。

采样在时间序列的数量上是均匀的；即，该数据集的第 i 个样本有 1/N 的概率来自序列中的任意一个 N 个时间序列。如果时间序列的长度不同，它们将包含不同数量的切片。因此，如果某些切片属于较短的时间序列，它们可能会比其他切片被更频繁地采样。

参数

• target_series (Union[TimeSeries, Sequence[TimeSeries]]) – 一个或一系列目标 TimeSeries。

• covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选地，包含过去观测到的协变量的一个或多个 TimeSeries。如果设置了此参数，则提供的序列长度必须与 target_series 相同。此外，序列中的所有协变量必须具有足够大的时间跨度，以包含所有必需的切片。目标和协变量的联合切片依赖于两者的时间轴。

• input_chunk_length (int) – 发出的过去系列的长度。

• output_chunk_length (int) – 发出的未来系列的长度。

• 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。

• max_samples_per_ts (Optional[int, None]) – 这是每个时间序列可以生成的元组数量的上限。它可以用于设置数据集总大小的上限，并确保适当的采样。如果为 None，它将在数据集创建时提前读取所有单个时间序列以了解它们的大小，这在大数据集上可能会很昂贵。如果某些系列的长度允许超过 max_samples_per_ts，则只考虑最近的 max_samples_per_ts 个样本。

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

• sample_weight (Union[TimeSeries, Sequence[TimeSeries], str, None]) – 可选地，一些应用于目标 series 标签的样本权重。它们按观察、按标签（output_chunk_length 中的每一步）和按组件应用。如果是一个序列或一系列序列，则使用这些权重。如果权重序列只有一个组件/列，则权重全局应用于 series 中的所有组件。否则，对于组件特定的权重，组件的数量必须与 series 中的组件数量匹配。如果是字符串，则使用内置的加权函数生成权重。可用的选项是 “linear” 或 “exponential” 衰减 - 越往过去，权重越低。权重是基于 series 中最长序列的长度全局计算的。然后对于每个序列，从全局权重的末尾提取权重。这为所有序列提供了共同的时间加权。

class darts.utils.data.sequential_dataset.SplitCovariatesSequentialDataset(target_series, past_covariates=None, future_covariates=None, input_chunk_length=12, output_chunk_length=1, output_chunk_shift=0, max_samples_per_ts=None, use_static_covariates=True, sample_weight=None)

基类：SplitCovariatesTrainingDataset

一个时间序列数据集，包含 (过去目标, 过去协变量, 未来协变量, 静态协变量, 样本权重, 未来目标) 的元组。“过去”序列的长度为 input_chunk_length，“未来”序列的长度为 output_chunk_length。“未来”序列紧接在“过去”序列之后。过去和未来协变量的切片分别与过去和未来目标的切片匹配。切片本身依赖于时间索引来对齐序列，如果它们的长度不相等。

每个序列必须足够长，以包含至少一个（输入，输出）对；即，每个序列的长度至少为 input_chunk_length + output_chunk_length。如果这些条件不满足，在尝试访问某些分割时将引发错误。

采样在时间序列的数量上是均匀的；即，该数据集的第 i 个样本有 1/N 的概率来自序列中的任意一个 N 个时间序列。如果时间序列的长度不同，它们将包含不同数量的切片。因此，如果某些切片属于较短的时间序列，它们可能会比其他切片被更频繁地采样。

参数

• target_series (Union[TimeSeries, Sequence[TimeSeries]]) – 一个或一系列目标 TimeSeries。

• past_covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选地，包含过去观测到的协变量的一个或多个 TimeSeries。如果设置了此参数，则提供的序列长度必须与 target_series 相同。此外，序列中的所有协变量必须具有足够大的时间跨度，以包含所有必需的切片。目标和协变量的联合切片依赖于两者的时间轴。

• future_covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选地，包含未来已知协变量的一个或一系列 TimeSeries。这必须遵循与 past_covariates 相同的约束。

• input_chunk_length (int) – 发出的过去系列的长度。

• output_chunk_length (int) – 发出的未来系列的长度。

• 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。

• max_samples_per_ts (Optional[int, None]) – 这是每个时间序列可以生成的元组数量的上限。它可以用于设置数据集总大小的上限，并确保适当的采样。如果为 None，它将在数据集创建时提前读取所有单个时间序列以了解它们的大小，这在大数据集上可能会很昂贵。如果某些系列的长度允许超过 max_samples_per_ts，则只考虑最近的 max_samples_per_ts 个样本。

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

• sample_weight (Union[TimeSeries, Sequence[TimeSeries], str, None]) – 可选地，一些应用于目标 series 标签的样本权重。它们按观察、按标签（output_chunk_length 中的每一步）和按组件应用。如果是一个序列或一系列序列，则使用这些权重。如果权重序列只有一个组件/列，则权重全局应用于 series 中的所有组件。否则，对于组件特定的权重，组件的数量必须与 series 中的组件数量匹配。如果是字符串，则使用内置的加权函数生成权重。可用的选项是 “linear” 或 “exponential” 衰减 - 越往过去，权重越低。权重是基于 series 中最长序列的长度全局计算的。然后对于每个序列，从全局权重的末尾提取权重。这为所有序列提供了共同的时间加权。

上一页

推理数据集

下一页

移位训练数据集