ForecastingPipelineWrapperBase Класс

Выровняйте преобразованный кадр выходных данных с входным кадром данных.

Примечание. Преобразование будет изменено по ссылке, копирование не создается. :p aram X_input: входной кадр данных. :p aram преобразован: кадр данных после преобразования. :возвращает: трансфотмированный кадр данных с исходным индексом, но отсортирован как в X_input.

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

Параметры

Вместите модель с входными данными X и y.

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

Параметры

Выполните прогноз в кадре данных 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]

Параметры

Возвращаемое значение

Получите прогноз и квантили из установленного конвейера.

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

Параметры

Возвращаемое значение

Возвращает значение true, если зерно будет удалено.

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

Параметры

Возвращаемое значение

Агрегирует набор данных прогнозирования.

Заметка: Этот метод не гарантирует, что набор данных будет агрегирован. Это произойдет только в том случае, если набор данных содержит повторяющиеся метки времени или даты вне сетки. :p aram df: набор данных для агрегирования. :p atam y: целевые значения. :p aram is_training_set: если верно, данные представляют набор обучения. :return: агрегированный или нетронутый набор данных, если агрегирование не требуется.

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

Параметры

Предварительная обработка прогнозирования X и 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]]

Параметры

"Создание прогнозов по последовательному источнику по заданному тестовом набору.

Каждая итерация делает прогноз для следующих периодов "max_horizon" относительно текущего источника, а затем перемещает источник по продолжительности времени горизонта. Контекст прогнозирования для каждого прогноза устанавливается таким образом, чтобы прогнозист использовал фактические целевые значения до текущего времени источника для создания признаков задержки.

Эта функция возвращает объединенный кадр данных для скользящего прогноза, присоединенного к фактическим данным из тестового набора.

Этот метод устарел и будет удален в будущем выпуске. Вместо этого используйте rolling_forecast().

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

Параметры

Возвращаемое значение

Создание прогнозов по скользящей основе по тестовой группе.

Каждая итерация делает прогноз максимальных периодов горизонта вперед, используя информацию до текущего источника, а затем перемещает источник на "шаг" периоды времени. Контекст прогнозирования для каждого прогноза устанавливается таким образом, чтобы прогнозировщик использовал фактические целевые значения до текущего времени источника для создания функций обратного просмотра.

Эта функция возвращает кадр данных для скользящего прогноза, присоединенного к фактическим данным из тестового набора. Столбцы в возвращаемом кадре данных приведены следующим образом:

• Столбцы идентификаторов таймерий (необязательно). При указании пользователем указанных имен столбцов будут использоваться.

• Столбец источника прогноза, предоставляющий время источника для каждой строки.

  Имя столбца: хранится как переменная члена объекта forecast_origin_column_name.

• Столбец времени. Будет использоваться имя столбца, заданное пользователем.

• Столбец прогнозируемых значений. Имя столбца: хранящееся в качестве члена объекта forecast_column_name

• Фактический столбец значений. Имя столбца: хранится в качестве элемента объекта actual_column_name

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

Параметры

Возвращаемое значение

Возвращает значение true, если для модели включена короткая или отсутствующая обработка зерна.

short_grain_handling() -> bool

Агрегирует набор данных прогнозирования.

Заметка: Этот метод не гарантирует, что набор данных будет агрегирован. Это произойдет только в том случае, если набор данных содержит повторяющиеся метки времени или даты вне сетки. :p aram ts_transformer: таймерий tranformer, используемый для обучения. :p aram time_column_name: имя столбца времени. :p aram grain_column_names: список имен столбцов зерна. :p aram df: набор данных для агрегирования. :p atam y: целевые значения. :p aram is_training_set: если верно, данные представляют набор обучения. :return: агрегированный или нетронутый набор данных, если агрегирование не требуется.

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]

Параметры

Возвращает максимальное значение hiorizon, используемое в модели.

Возвращает имя исходного столбца.

Возвращает задержки целевого объекта, если таковые есть.

Возвращает размер скользящего окна.

Возвращает имя столбца времени.

Возвращает словарь с максимальными целевыми значениями по идентификатору временных рядов

Возвращает словарь с минимальными целевыми значениями по идентификатору временных рядов

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.'