ForecastingPipelineWrapperBase Classe

Alinhar o quadro de dados de saída transformado ao quadro de dados de entrada.

Observação: o quadro transformado será modificado por referência; nenhuma cópia é criada. :param X_input: o quadro de dados de entrada. :param transformed: o quadro de dados após a transformação. :returns: o quadro de dados transformado com o índice original, mas classificado como em X_input.

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

Parâmetros

Ajuste o modelo com entrada X e y.

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

Parâmetros

Fazer previsão no quadro de dados 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]

Parâmetros

Retornos

Obter a previsão e os quantis do pipeline ajustado.

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

Parâmetros

Retornos

Retornar true se a granularidade for descartada.

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

Parâmetros

Retornos

Agregar o conjunto de dados de previsão.

Observação: esse método não garante que o conjunto de dados será agregado. Isso ocorrerá somente se o conjunto de dados contiver carimbos de data/hora duplicados ou fora das datas de grade. :param df: o conjunto de dados a ser agregado. :patam y: os valores de destino. :param is_training_set: se true, os dados representam o conjunto de treinamento. :return: o conjunto de dados agregado ou intacto se nenhuma agregação for necessária.

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

Parâmetros

Pré-processar previsão X e 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]]

Parâmetros

"Produzir previsões em uma origem contínua com relação ao conjunto de testes fornecido.

Cada iteração faz uma previsão para os próximos períodos 'max_horizon' em relação à origem atual e, em seguida, avança a origem pela duração do horizonte. O contexto de cada previsão é definido para que o previsor use os valores de destino reais anteriores ao horário da origem atual para criar os recursos de atraso.

Essa função retorna um quadro de dados concatenado de previsões contínuas unidas aos dados reais do conjunto de teste.

Esse método foi preterido e será removido em uma versão futura. Em vez disso, use rolling_forecast().

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

Parâmetros

Retornos

Produza previsões em uma origem sem interrupção em um conjunto de testes.

Cada iteração faz uma previsão de períodos máximos de horizonte à frente usando informações até a origem atual e, em seguida, avança a origem por períodos de tempo de "etapa". O contexto de previsão para cada previsão é definido para que o preditor use os valores de destino reais antes do tempo de origem atual para construir recursos de pesquisa.

Essa função retorna um DataFrame de previsões sem interrupção unidas aos reais do conjunto de testes. As colunas no quadro de dados retornado são as seguintes:

• Colunas de ID de timeseries (opcional). Quando fornecido pelo usuário, os nomes de coluna fornecidos serão usados.

• Coluna de origem de previsão que dá o tempo de origem para cada linha.

  Nome da coluna: armazenado como a variável de membro do objeto forecast_origin_column_name.

• Coluna de tempo. O nome da coluna fornecido pelo usuário será usado.

• Coluna de valores de previsão. Nome da coluna: armazenado como o membro do objeto forecast_column_name

• Coluna valores reais. Nome da coluna: armazenado como o membro do objeto actual_column_name

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

Parâmetros

Retornos

Retornar true se a manipulação de granularidades curtas ou ausentes estiver habilitada para o modelo.

short_grain_handling() -> bool

Agregar o conjunto de dados de previsão.

Observação: esse método não garante que o conjunto de dados será agregado. Isso ocorrerá somente se o conjunto de dados contiver carimbos de data/hora duplicados ou fora das datas de grade. :param ts_transformer: o transformador de série temporal usado para o treinamento. :param time_column_name: nome da coluna de tempo. :param grain_column_names: lista de nomes de colunas de granularidade. :param df: o conjunto de dados a ser agregado. :patam y: os valores de destino. :param is_training_set: se true, os dados representam o conjunto de treinamento. :return: o conjunto de dados agregado ou intacto se nenhuma agregação for necessária.

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]

Parâmetros

Retornar horizonte máximo usado no modelo.

Retornar o nome da coluna de origem.

Retornar os atrasos de destino, se houver.

Retornar o tamanho da janela com rolagem.

Retornar o nome da coluna de tempo.

Retornar o dicionário com valores de destino máximos por ID de série temporal

Retornar o dicionário com valores de destino mínimos por ID de série temporal

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.'