ForecastingPipelineWrapperBase Classe

Aligne la trame de données de sortie transformée sur la trame de données d’entrée.

Remarque : transformed sera modifié par référence, aucune copie n’est créée. :param X_input : trame de données d’entrée. :param transformed : trame de données après la transformation. :returns : trame de données transformed avec son index d’origine, mais triée comme dans X_input.

align_output_to_input(X_input: DataFrame, transformed: DataFrame) -> DataFrame

Paramètres

Ajustez le modèle avec les entrées X et y.

fit(X: DataFrame, y: ndarray) -> ForecastingPipelineWrapperBase

Paramètres

Effectue la prévision sur la trame de données 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]

Paramètres

Retours

Obtient la prédiction et les quantiles à partir du pipeline ajusté.

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

Paramètres

Retours

Retourne la valeur True si le fragment sera supprimé.

is_grain_dropped(grain: Tuple[str] | str | List[str]) -> bool

Paramètres

Retours

Agrège le jeu de données de prédiction.

Remarque : cette méthode ne garantit pas que le jeu de données sera agrégé. Cela se produit uniquement si le jeu de données contient les horodatages dupliqués ou les dates hors grille. :param df : jeu de données à agréger. :param y : valeurs cibles. :param is_training_set : si la valeur est True, les données représentent le jeu de formation. :return : jeu de données agrégé ou intact si aucune agrégation n’est requise.

preaggregate_data_set(df: DataFrame, y: ndarray | None = None, is_training_set: bool = False) -> Tuple[DataFrame, ndarray | None]

Paramètres

Prétraiter la prédiction X et 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]]

Paramètres

Produit des prévisions sur une origine dynamique sur le jeu de test donné.

Chaque itération établit une prévision pour les périodes « max_horizon » suivantes par rapport à l’origine actuelle, puis avance l’origine en fonction de la durée de l’horizon. Le contexte de prédiction de chaque prévision est défini de sorte que le forecaster utilise les valeurs cibles réelles avant l’heure d’origine actuelle pour construire les fonctionnalités de décalage.

Cette fonction retourne une trame de données concaténée de prévisions dynamiques jointes aux chiffres réels du jeu de test.

Cette méthode est déconseillée et sera supprimée dans une version ultérieure. Utilisez rolling_forecast() à la place.

rolling_evaluation(X_pred: DataFrame, y_pred: DataFrame | ndarray, ignore_data_errors: bool = False) -> Tuple[ndarray, DataFrame]

Paramètres

Retours

Produire des prévisions sur une origine propagée sur un jeu de test.

Chaque itération établit une prévision des périodes d’horizon maximales à l’avance en utilisant des informations jusqu’à l’origine actuelle, puis avance l’origine par périodes de temps « pas à pas ». Le contexte de prédiction de chaque prévision est défini de sorte que le prévisionniste utilise les valeurs cibles réelles avant l’heure d’origine actuelle pour construire des fonctionnalités de recherche en arrière.

Cette fonction retourne un DataFrame de prévisions propagées jointes aux valeurs réelles du jeu de test. Les colonnes dans la trame de données retournée sont les suivantes :

• Colonnes d’ID de série chronologique (facultatif). Lorsqu’ils sont fournis par l’utilisateur, les noms de colonnes donnés sont utilisés.

• Colonne d’origine de prévision indiquant l’heure d’origine pour chaque ligne.

  Nom de la colonne : stocké en tant que variable membre de l’objet forecast_origin_column_name.

• Colonne de temps. Le nom de colonne donné par l’utilisateur sera utilisé.

• Colonne Valeurs de prévision. Nom de colonne : stocké en tant que membre de l’objet forecast_column_name

• Colonne valeurs réelles. Nom de colonne : stocké en tant que membre de l’objet actual_column_name

rolling_forecast(X_pred: DataFrame, y_pred: ndarray, step: int = 1, ignore_data_errors: bool = False) -> DataFrame

Paramètres

Retours

Retourne la valeur True si le traitement des fragments courts ou absents est activé pour le modèle.

short_grain_handling() -> bool

Agrège le jeu de données de prédiction.

Remarque : cette méthode ne garantit pas que le jeu de données sera agrégé. Cela se produit uniquement si le jeu de données contient les horodatages dupliqués ou les dates hors grille. :param ts_transformer : transformateur de série chronologique utilisé pour la formation. :param time_column_name : nom de la colonne d’heure. :param grain_column_names : liste des noms de colonnes de fragment. :param df : jeu de données à agréger. :param y : valeurs cibles. :param is_training_set : si la valeur est True, les données représentent le jeu de formation. :return : jeu de données agrégé ou intact si aucune agrégation n’est requise.

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]

Paramètres

Retourne l’horizon maximal utilisé dans le modèle.

Retourne le nom de la colonne d’origine.

Retourne les décalages cibles, le cas échéant.

Retourne la taille de la fenêtre propagée.

Retourne le nom de la colonne d’heure.

Retourner le dictionnaire avec les valeurs cibles maximales par ID de série chronologique

Retourner le dictionnaire avec des valeurs cibles minimales par ID de série chronologique

FATAL_NO_TARGET_IMPUTER = 'No target imputers were found in TimeSeriesTransformer.'

FATAL_NO_TS_TRANSFORM = 'The time series transform is absent. Please try training model again.'