ForecastingPipelineWrapperBase Klass
Basklass för prognosmodellomslutning.
- Arv
-
ForecastingPipelineWrapperBase
Konstruktor
ForecastingPipelineWrapperBase(ts_transformer: TimeSeriesTransformer | None = None, y_transformer: Pipeline | None = None, metadata: Dict[str, Any] | None = None)
Parametrar
- ts_transformer
- y_transformer
- metadata
Metoder
align_output_to_input |
Justera den transformerade utdataramen till indataramen. Obs! Transformerade kommer att ändras som referens, ingen kopia skapas. :p aram X_input: Indataramen. :p aram transformerad: Dataramen efter omvandlingen. :returns: Den transfotade dataramen med sitt ursprungliga index, men sorterad som i X_input. |
fit |
Anpassa modellen med indata X och y. |
forecast |
Gör prognosen på dataramen X_pred. |
forecast_quantiles |
Hämta förutsägelsen och kvantantiles från den anpassade pipelinen. |
is_grain_dropped |
Returnera sant om kornet kommer att släppas. |
preaggregate_data_set |
Aggregera förutsägelsedatauppsättningen. Observera: Den här metoden garanterar inte att datauppsättningen aggregeras. Detta inträffar bara om datauppsättningen innehåller duplicerade tidsstämplar eller out-of-grid-datum. :p aram df: Datauppsättningen som ska aggregeras. :p atam y: Målvärdena. :p aram is_training_set: Om det är sant representerar data träningsuppsättningen. :return: Den aggregerade eller intakta datauppsättningen om ingen aggregering krävs. |
preprocess_pred_X_y |
Förbearbeta förutsägelse X och y. |
rolling_evaluation |
" Skapa prognoser för ett rullande ursprung över den angivna testuppsättningen. Varje iteration gör en prognos för de kommande "max_horizon"-perioderna med avseende på det aktuella ursprunget och flyttar sedan fram ursprunget med varaktigheten för horisonttiden. Förutsägelsekontexten för varje prognos anges så att prognosmakaren använder de faktiska målvärdena före den aktuella ursprungstiden för att skapa fördröjningsfunktioner. Den här funktionen returnerar en sammanlänkad DataFrame med rullande prognoser som är kopplade till det faktiska värdet från testuppsättningen. Den här metoden är inaktuell och tas bort i en framtida version. Använd rolling_forecast() i stället. |
rolling_forecast |
Skapa prognoser för ett rullande ursprung över en testuppsättning. Varje iteration gör en prognos över maximala horisontperioder framöver med hjälp av information upp till det aktuella ursprunget och flyttar sedan fram ursprunget med "steg"-tidsperioder. Förutsägelsekontexten för varje prognos anges så att prognosmakaren använder de faktiska målvärdena före den aktuella ursprungstiden för att skapa återblicksfunktioner. Den här funktionen returnerar en DataFrame med rullande prognoser som är kopplade till det faktiska värdet från testuppsättningen. Kolumnerna i den returnerade dataramen är följande:
|
short_grain_handling |
Returnera sant om kort eller frånvarande kornhantering är aktiverat för modellen. |
static_preaggregate_data_set |
Aggregera förutsägelsedatauppsättningen. Observera: Den här metoden garanterar inte att datauppsättningen aggregeras. Detta inträffar bara om datauppsättningen innehåller duplicerade tidsstämplar eller out-of-grid-datum. :p aram ts_transformer: Tidsserietransformeren som används för träning. :p aram time_column_name: namnet på tidskolumnen. :p aram grain_column_names: Lista över kolumnnamn för kornighet. :p aram df: Datauppsättningen som ska aggregeras. :p atam y: Målvärdena. :p aram is_training_set: Om det är sant representerar data träningsuppsättningen. :return: Den aggregerade eller intakta datauppsättningen om ingen aggregering krävs. |
align_output_to_input
Justera den transformerade utdataramen till indataramen.
Obs! Transformerade kommer att ändras som referens, ingen kopia skapas. :p aram X_input: Indataramen. :p aram transformerad: Dataramen efter omvandlingen. :returns: Den transfotade dataramen med sitt ursprungliga index, men sorterad som i X_input.
align_output_to_input(X_input: DataFrame, transformed: DataFrame) -> DataFrame
Parametrar
- X_input
- transformed
fit
Anpassa modellen med indata X och y.
fit(X: DataFrame, y: ndarray) -> ForecastingPipelineWrapperBase
Parametrar
- X
Mata in X-data.
- y
Indata y.
forecast
Gör prognosen på dataramen X_pred.
forecast(X_pred: DataFrame | None = None, y_pred: ndarray | DataFrame | None = None, forecast_destination: Timestamp | None = None, ignore_data_errors: bool = False) -> Tuple[ndarray, DataFrame]
Parametrar
- X_pred
förutsägelsedataramen som kombinerar X_past och X_future på ett sammanhängande sätt. Tomma värden i X_pred imputeras.
- y_pred
målvärdet som kombinerar bestämda värden för y_past och saknade värden för Y_future. Om Ingen görs förutsägelserna för varje X_pred.
- forecast_destination
- <xref:pandas.Timestamp>
Forecast_destination: ett tidsstämpelvärde. Prognoser kommer att göras hela vägen till forecast_destination tid, för alla korn. Ordlisteindata { grain -> tidsstämpel } accepteras inte. Om forecast_destination inte ges, kommer det att imputeras som den sista gången som inträffar i X_pred för varje korn.
Returer
Y_pred, där underramen motsvarar Y_future ifyllda med respektive prognoser. Eventuella saknade värden i Y_past fylls i med imputer.
Returtyp
forecast_quantiles
Hämta förutsägelsen och kvantantiles från den anpassade pipelinen.
forecast_quantiles(X_pred: DataFrame | None = None, y_pred: ndarray | DataFrame | None = None, quantiles: float | List[float] | None = None, forecast_destination: Timestamp | None = None, ignore_data_errors: bool = False) -> DataFrame
Parametrar
- X_pred
förutsägelsedataramen som kombinerar X_past och X_future på ett sammanhängande sätt. Tomma värden i X_pred imputeras.
- y_pred
målvärdet som kombinerar bestämda värden för y_past och saknade värden för Y_future. Om Ingen görs förutsägelserna för varje X_pred.
Listan över kvanter som vi vill göra prognoser för.
- forecast_destination
- <xref:pandas.Timestamp>
Forecast_destination: ett tidsstämpelvärde. Prognoser kommer att göras hela vägen till forecast_destination tid, för alla korn. Ordlisteindata { grain -> tidsstämpel } accepteras inte. Om forecast_destination inte ges, kommer det att imputeras som den sista gången som inträffar i X_pred för varje korn.
Returer
En dataram som innehåller kolumnerna och förutsägelserna som gjorts på begärda quantiles.
is_grain_dropped
Returnera sant om kornet kommer att släppas.
is_grain_dropped(grain: Tuple[str] | str | List[str]) -> bool
Parametrar
- grain
Kornet för att testa om det kommer att släppas.
Returer
Sant om kornet kommer att släppas.
preaggregate_data_set
Aggregera förutsägelsedatauppsättningen.
Observera: Den här metoden garanterar inte att datauppsättningen aggregeras. Detta inträffar bara om datauppsättningen innehåller duplicerade tidsstämplar eller out-of-grid-datum. :p aram df: Datauppsättningen som ska aggregeras. :p atam y: Målvärdena. :p aram is_training_set: Om det är sant representerar data träningsuppsättningen. :return: Den aggregerade eller intakta datauppsättningen om ingen aggregering krävs.
preaggregate_data_set(df: DataFrame, y: ndarray | None = None, is_training_set: bool = False) -> Tuple[DataFrame, ndarray | None]
Parametrar
- df
- y
- is_training_set
preprocess_pred_X_y
Förbearbeta förutsägelse X och y.
preprocess_pred_X_y(X_pred: DataFrame | None = None, y_pred: ndarray | DataFrame | None = None, forecast_destination: Timestamp | None = None) -> Tuple[DataFrame, DataFrame | ndarray, Dict[str, Any]]
Parametrar
- X_pred
- y_pred
- forecast_destination
rolling_evaluation
" Skapa prognoser för ett rullande ursprung över den angivna testuppsättningen.
Varje iteration gör en prognos för de kommande "max_horizon"-perioderna med avseende på det aktuella ursprunget och flyttar sedan fram ursprunget med varaktigheten för horisonttiden. Förutsägelsekontexten för varje prognos anges så att prognosmakaren använder de faktiska målvärdena före den aktuella ursprungstiden för att skapa fördröjningsfunktioner.
Den här funktionen returnerar en sammanlänkad DataFrame med rullande prognoser som är kopplade till det faktiska värdet från testuppsättningen.
Den här metoden är inaktuell och tas bort i en framtida version. Använd rolling_forecast() i stället.
rolling_evaluation(X_pred: DataFrame, y_pred: DataFrame | ndarray, ignore_data_errors: bool = False) -> Tuple[ndarray, DataFrame]
Parametrar
- X_pred
förutsägelsedataramen som kombinerar X_past och X_future på ett sammanhängande sätt. Tomma värden i X_pred imputeras.
- y_pred
målvärdet som motsvarar X_pred.
- ignore_data_errors
Ignorera fel i användardata.
Returer
Y_pred, där underramen motsvarar Y_future ifyllda med respektive prognoser. Eventuella saknade värden i Y_past fylls i med imputer.
Returtyp
rolling_forecast
Skapa prognoser för ett rullande ursprung över en testuppsättning.
Varje iteration gör en prognos över maximala horisontperioder framöver med hjälp av information upp till det aktuella ursprunget och flyttar sedan fram ursprunget med "steg"-tidsperioder. Förutsägelsekontexten för varje prognos anges så att prognosmakaren använder de faktiska målvärdena före den aktuella ursprungstiden för att skapa återblicksfunktioner.
Den här funktionen returnerar en DataFrame med rullande prognoser som är kopplade till det faktiska värdet från testuppsättningen. Kolumnerna i den returnerade dataramen är följande:
Kolumner med tidsserie-ID (valfritt). När de anges av användaren används de angivna kolumnnamnen.
Prognostiserad ursprungskolumn som ger ursprungstiden för varje rad.
Kolumnnamn: lagras som objektmedlemsvariabeln forecast_origin_column_name.
Tidskolumn. Kolumnnamnet som anges av användaren används.
Kolumnen Prognosvärden. Kolumnnamn: lagras som objektmedlem forecast_column_name
Kolumnen Faktiska värden. Kolumnnamn: lagras som objektmedlem actual_column_name
rolling_forecast(X_pred: DataFrame, y_pred: ndarray, step: int = 1, ignore_data_errors: bool = False) -> DataFrame
Parametrar
- X_pred
- <xref:pd.DataFrame>
Förutsägelsedataram
- y_pred
- <xref:np.ndarray>
målvärden som motsvarar rader i X_pred
- step
- int
Antal perioder som prognostiseringsfönstret ska flyttas fram i varje iteration.
Returer
Dataram för löpande prognoser
Returtyp
short_grain_handling
Returnera sant om kort eller frånvarande kornhantering är aktiverat för modellen.
short_grain_handling() -> bool
static_preaggregate_data_set
Aggregera förutsägelsedatauppsättningen.
Observera: Den här metoden garanterar inte att datauppsättningen aggregeras. Detta inträffar bara om datauppsättningen innehåller duplicerade tidsstämplar eller out-of-grid-datum. :p aram ts_transformer: Tidsserietransformeren som används för träning. :p aram time_column_name: namnet på tidskolumnen. :p aram grain_column_names: Lista över kolumnnamn för kornighet. :p aram df: Datauppsättningen som ska aggregeras. :p atam y: Målvärdena. :p aram is_training_set: Om det är sant representerar data träningsuppsättningen. :return: Den aggregerade eller intakta datauppsättningen om ingen aggregering krävs.
static static_preaggregate_data_set(ts_transformer: TimeSeriesTransformer, time_column_name: str, grain_column_names: List[str], df: DataFrame, y: ndarray | None = None, is_training_set: bool = False) -> Tuple[DataFrame, ndarray | None]
Parametrar
- ts_transformer
- time_column_name
- grain_column_names
- df
- y
- is_training_set
Attribut
actual_column_name
forecast_column_name
forecast_origin_column_name
grain_column_list
max_horizon
Returnera max hiorizon som används i modellen.
origin_col_name
Returnera namnet på ursprungskolumnen.
target_lags
Returmålet släpar efter om det finns några.
target_rolling_window_size
Returnera storleken på rullande fönster.
time_column_name
Returnera namnet på tidskolumnen.
user_target_column_name
y_max_dict
Returnera ordlistan med maximala målvärden efter tidsserie-ID
y_min_dict
Returnera ordlistan med minimala målvärden efter tidsserie-ID
FATAL_NO_TARGET_IMPUTER
FATAL_NO_TARGET_IMPUTER = 'No target imputers were found in TimeSeriesTransformer.'
FATAL_NO_TS_TRANSFORM
FATAL_NO_TS_TRANSFORM = 'The time series transform is absent. Please try training model again.'
Feedback
https://aka.ms/ContentUserFeedback.
Kommer snart: Under hela 2024 kommer vi att fasa ut GitHub-problem som feedbackmekanism för innehåll och ersätta det med ett nytt feedbacksystem. Mer information finns i:Skicka och visa feedback för