移位训练数据集

class darts.utils.data.shifted_dataset.DualCovariatesShiftedDataset(target_series, covariates=None, length=12, shift=1, 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 (past_target, historic_future_covariates, future_covariates, static_covariates, sample weights, future_target) 数组的元组，它们的长度均为 length。”future_target” 是 “past_target” 目标向前移动 shift 时间步的结果。因此，如果发出的 “past_target” 从位置 i 到 i+length，则发出的 “future_target” 将从位置 i+shift 到 i+shift+length。”future_covariates” 的切片与 “future_target” 匹配，而 “historic_future_covariates” 的切片与 “past_target” 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 length + shift。如果这些条件不满足，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。

• length (int) – 发出的过去和未来系列的长度。

• shift (int) – 相对于输入块的开始，输出块要移动的时间步数。

• 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.shifted_dataset.FutureCovariatesShiftedDataset(target_series, covariates=None, length=12, shift=1, max_samples_per_ts=None, use_static_covariates=True, sample_weight=None)

基类：FutureCovariatesTrainingDataset

一个时间序列数据集，包含 (past_target, future_covariates, static_covariates, sample weights, future_target) 数组的元组，所有数组的长度均为 length。’future_target’ 是 ‘past_target’ 目标向前移动 shift 时间步的结果。因此，如果发出的 ‘past_target’ 从位置 i 到 i+length，则发出的 ‘future_target’ 将从位置 i+shift 到 i+shift+length。未来协变量的切片与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 length + shift。如果这些条件不满足，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。

• length (int) – 发出的过去和未来系列的长度。

• shift (int) – 相对于输入块的开始，输出块要移动的时间步数。

• 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.shifted_dataset.GenericShiftedDataset(target_series, covariates=None, input_chunk_length=12, output_chunk_length=1, shift=1, shift_covariates=False, max_samples_per_ts=None, covariate_type=CovariateType.NONE, use_static_covariates=True, sample_weight=None)

基类：TrainingDataset

包含 (past_target, <X>_covariates, static_covariates, sample weights, future_target)，其中 “<X>” 在 shift_covariates = False 时为过去，否则为未来。过去的块长度为 input_chunk_length，未来的块长度为 output_chunk_length。未来的块在过去的块开始后 shift 开始。

这是一个旨在用于构建 ShiftedDataset（当 input_chunk_length = output_chunk_length 时）或 SequenceDataset（当 shift = input_chunk_length 时）的“通用”数据集。

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，包含协变量的一个或多个 TimeSeries 序列。

• 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。

• shift (int) – 相对于输入块的开始，输出块要移动的时间步数。

• shift_covariates (bool) – 是否将协变量与目标相同的方式向前移动。FutureCovariatesModel 需要将其设置为 True，而 PastCovariatesModel 需要将其设置为 False。

• max_samples_per_ts (Optional[int, None]) – 这是每个时间序列可以生成的 (输入, 输出, 输入协变量) 元组数量的上限。它可以用于设定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。如果某些序列的长度允许超过 max_samples_per_ts，则只考虑最近的 max_samples_per_ts 样本。

• covariate_type (CovariateType) – 一个描述 covariates 类型的 CovariateType 实例。

• 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.shifted_dataset.MixedCovariatesShiftedDataset(target_series, past_covariates=None, future_covariates=None, length=12, shift=1, 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) 数组的元组，它们的长度均为 length。’future_target’ 是 ‘past_target’ 目标向前移动 shift 时间步的结果。因此，如果发出的 ‘past_target’ 从位置 i 到 i+length，则发出的 ‘future_target’ 将从位置 i+shift 到 i+shift+length。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 length + shift。如果这些条件不满足，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。

• length (int) – 发出的过去和未来系列的长度。

• shift (int) – 相对于输入块的开始，输出块要移动的时间步数。

• 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.shifted_dataset.PastCovariatesShiftedDataset(target_series, covariates=None, length=12, shift=1, 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) 数组的元组，它们的长度均为 length。”future_target” 是 “past_target” 目标向前移动 shift 时间步的结果。因此，如果发出的 “past_target”（和 “past_covariates”）从位置 i 到 i+length，则发出的 “future_target” 将从位置 i+shift 到 i+shift+length。

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 length + shift。如果这些条件不满足，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。

• length (int) – 发出的过去和未来系列的长度。

• shift (int) – 相对于输入块的开始，输出块要移动的时间步数。

• 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.shifted_dataset.SplitCovariatesShiftedDataset(target_series, past_covariates=None, future_covariates=None, length=12, shift=1, 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 (past_target, past_covariates, future_covariates, static_covariates, sample weights, future_target) 数组的元组，它们的长度均为 length。’future_target’ 是 ‘past_target’ 目标向前移动 shift 时间步的结果。因此，如果一个发出的 ‘past_target’ 从位置 i 到 i+length，那么发出的 ‘future_target’ 将从位置 i+shift 到 i+shift+length。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 length + shift。如果这些条件不满足，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。

• length (int) – 发出的过去和未来系列的长度。

• shift (int) – 相对于输入块的开始，输出块要移动的时间步数。

• 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

顺序训练数据集

下一页

<no title>