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]

基类: InferenceDataset

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

参数

  • target_series (Union[TimeSeries, Sequence[TimeSeries]]) – 要预测到未来的目标时间序列。

  • covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选参数，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，则此参数为必需项。

  • n (int) – 预测范围：目标时间序列结束后要预测的时间步数。

  • stride (int) – 可选参数，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]) – 可选参数，形状为 (n series, 2) 的数组，包含每个时间序列的左侧和右侧预测起始点边界。边界必须表示时间序列的位置索引（0，len(series)）。如果提供此参数，stride 必须 >=1。

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

  • output_chunk_length (int) – 模型作为输出的目标时间序列的长度。

  • output_chunk_shift (int) – 可选参数，将输出块的起始位置向未来偏移的步数。

  • use_static_covariates (bool) – 是否使用/包含输入时间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]

基类: InferenceDataset

包含 (past_target, future_covariates, static_covariates) 元组

参数

  • target_series (Union[TimeSeries, Sequence[TimeSeries]]) – 要预测到未来的目标时间序列。

  • covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选参数，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，则此参数为必需项。

  • n (int) – 预测范围：目标时间序列结束后要预测的时间步数。

  • stride (int) – 可选参数，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]) – 可选参数，形状为 (n series, 2) 的数组，包含每个时间序列的左侧和右侧预测起始点边界。边界必须表示时间序列的位置索引（0，len(series)）。如果提供此参数，stride 必须 >=1。

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

  • output_chunk_length (Optional[int, None]) – 可选参数，模型输出的目标时间序列的长度。如果为 None，将使用与 n 相同的值。

  • output_chunk_shift (int) – 可选参数，将输出块的起始位置向未来偏移的步数。

  • use_static_covariates (bool) – 是否使用/包含输入时间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]

基类: InferenceDataset

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

“future_past_covariates” 是过去协变量，它们恰好在未来也是已知的 - 对于依赖过去协变量的任何模型，当 n > output_chunk_length 时，它们是进行预测所必需的。因此，当 n > output_chunk_length 时，此数据集也将发出“future past_covariates”。

“historic_future_covariates” 是历史上的未来协变量，它们是在过去的 input_chunk 中提供的。

参数

  • target_series (Union[TimeSeries, Sequence[TimeSeries]]) – 要预测到未来的目标时间序列。

  • covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选参数，一个或一个 TimeSeries 序列，包含过去或未来的协变量。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：目标时间序列结束后要预测的时间步数。

  • stride (int) – 可选参数，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]) – 可选参数，形状为 (n series, 2) 的数组，包含每个时间序列的左侧和右侧预测起始点边界。边界必须表示时间序列的位置索引（0，len(series)）。如果提供此参数，stride 必须 >=1。

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

  • output_chunk_length (int) – 模型作为输出的目标时间序列的长度。

  • output_chunk_shift (int) – 可选参数，将输出块的起始位置向未来偏移的步数。

  • use_static_covariates (bool) – 是否使用/包含输入时间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]
class darts.utils.data.inference_dataset.InferenceDataset[源]

基类: ABC, Dataset

所有 darts torch 推理数据集的抽象类。

可用作模型的输入，以便对每个 TimeSeries 进行简单预测（如果指定了协变量）。

它包含的元组的第一个元素是 numpy 数组（将由 torch DataLoader 转换为 torch tensors）。元组的最后一个元素是（过去的）目标时间序列，需要它来正确构建预测时间序列的时间轴。

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]

基类: InferenceDataset

包含 (past_target, past_covariates, historic_future_covariates, future_covariates, future_past_covariates, static_covariates) 元组。“future_past_covariates” 是过去协变量，它们恰好在未来也是已知的 - 对于依赖过去协变量的任何模型，当 n > output_chunk_length 时，它们是进行预测所必需的。

参数

  • target_series (Union[TimeSeries, Sequence[TimeSeries]]) – 要预测到未来的目标时间序列。

  • past_covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选参数，用于预测的一些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，则此参数为必需项。

  • future_covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选参数，用于预测的一些未来已知协变量。如果模型是使用未来已知协变量训练的，则此参数为必需项。

  • n (int) – 预测范围：目标时间序列结束后要预测的时间步数。

  • stride (int) – 可选参数，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]) – 可选参数，形状为 (n series, 2) 的数组，包含每个时间序列的左侧和右侧预测起始点边界。边界必须表示时间序列的位置索引（0，len(series)）。如果提供此参数，stride 必须 >=1。

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

  • output_chunk_length (int) – 模型作为输出的目标时间序列的长度。

  • output_chunk_shift (int) – 可选参数，将输出块的起始位置向未来偏移的步数。

  • use_static_covariates (bool) – 是否使用/包含输入时间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]

基类: InferenceDataset

包含 (past_target, past_covariates, future_past_covariates, static_covariates)。

“future_past_covariates” 是过去协变量，它们恰好在未来也是已知的 - 对于依赖过去协变量的任何模型，当 n > output_chunk_length 时，它们是进行预测所必需的。

因此，当 n > output_chunk_length 时，此数据集也将发出“future past_covariates”。

参数

  • target_series (Union[TimeSeries, Sequence[TimeSeries]]) – 要预测到未来的目标时间序列。

  • covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选参数，用于预测的一些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，则此参数为必需项。

  • n (int) – 预测范围：目标时间序列结束后要预测的时间步数。

  • stride (int) – 可选参数，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]) – 可选参数，形状为 (n series, 2) 的数组，包含每个时间序列的左侧和右侧预测起始点边界。边界必须表示时间序列的位置索引（0，len(series)）。如果提供此参数，stride 必须 >=1。

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

  • output_chunk_length (int) – 模型作为输出的目标时间序列的长度。

  • output_chunk_shift (int) – 可选参数，将输出块的起始位置向未来偏移的步数。

  • use_static_covariates (bool) – 是否使用/包含输入时间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]

基类: InferenceDataset

包含 (past_target, past_covariates, future_covariates, future_past_covariates, static_covariates) 元组。“future_past_covariates” 是过去协变量，它们恰好在未来也是已知的 - 对于依赖过去协变量的任何模型，当 n > output_chunk_length 时，它们是进行预测所必需的。

参数

  • target_series (Union[TimeSeries, Sequence[TimeSeries]]) – 要预测到未来的目标时间序列。

  • past_covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选参数，用于预测的一些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，则此参数为必需项。

  • future_covariates (Union[TimeSeries, Sequence[TimeSeries], None]) – 可选参数，用于预测的一些未来已知协变量。如果模型是使用未来已知协变量训练的，则此参数为必需项。

  • n (int) – 预测范围：目标时间序列结束后要预测的时间步数。

  • stride (int) – 可选参数，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]) – 可选参数，形状为 (n series, 2) 的数组，包含每个时间序列的左侧和右侧预测起始点边界。边界必须表示时间序列的位置索引（0，len(series)）。如果提供此参数，stride 必须 >=1。

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

  • output_chunk_length (int) – 模型作为输出的目标时间序列的长度。

  • output_chunk_shift (int) – 可选参数，将输出块的起始位置向未来偏移的步数。

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

上一项

基于预测范围的训练数据集

下一项

序列训练数据集