GluonTS-Python中的概率时间序列建模#

PyPI公司 github 静态 静态 PyPI下载

GluonTS是一个用于概率时间序列建模的Python包，专注于基于深度学习的模型，基于PyTorch公司和MXNet公司.

安装#

GluonTS需要Python 3.7或更新版本，最简单的安装方法是通过pip（点阵）:

#为火炬型号安装支架pip（点阵） 安装 “格伦茨[火炬]”

#支持mxnet型号的安装pip（点阵） 安装 “胶水[mxnet]”

请参阅文档有关如何安装GluonTS的更多信息。

简单示例#

为了说明如何使用GluonTS，我们训练一个DeepAR模型并进行预测使用航空乘客数据集。数据集由单个时间组成1949年至1960年间的一系列月度乘客人数。我们训练模型对前九年进行预测，并对剩下的三年进行预测。

进口 熊猫 作为 钯
进口 matplotlib.打印 作为 plt公司

从 glouts.dataset.pandas数据集 进口 Pandas数据集
从 胶水.数据集.拆分 进口 分裂
从 格伦茨火炬 进口 深度估计器

#将数据从CSV文件加载到PandasDataset
数据流 = 钯.读取csv(
    "https://raw.githubusercontent.com/AileenNielsen网址/"
    “TimeSeriesAnalysisWithPython/master/data/AirPassengers.csv”,
    索引_科尔=0,
    解析日期（_dates）=真的,
)
数据集 = Pandas数据集(数据流, 目标=“#乘客”)

#分割数据用于培训和测试
培训_数据, 测试生成 = 分裂(数据集, 抵消=-36)
测试_数据 = 测试生成.生成实例(预测_长度=12, 窗户=三)

#训练模型并进行预测
模型 = 深度估计器(
    预测_长度=12, 频率=“M”, 教练_夸格斯={“最大_epochs”: 5}
).火车(培训_数据)

预测 = 列表(模型.预测(测试_数据.输入))

#绘图预测
plt公司.情节(数据流["1954"：]， 颜色=“黑色”)
对于 预测 在里面 预测:
  预测.情节()
plt公司.传奇([“真值”], 本地=“左上角”, 字体大小=“xx-大”)
plt公司.显示()
【列车试验】

请注意，预测以概率分布和阴影区域表示50%和90%的预测区间。

贡献#

如果您希望为该项目做出贡献，请咨询我们的缴款指南.

引用#

如果您在科学出版物中使用GluonTS，我们鼓励您在相关论文中添加以下参考，除了与您的工作相关的任何模型特定参考之外：

@文章{格伦茨.jmlr,
  作者  = {Alexander Alexandrov、Konstantinos Benidis和Michael Bohlke-Schneider
瓦伦汀·福兰克特、扬·加斯豪斯、蒂姆·贾努肖夫斯基和丹妮尔·马迪克斯
Syama Rangapuram、David Salinas、Jasper Schulz、Lorenzo Stella和
Ali Caner Turkmen和Yuyang Wang,
  标题   = {{GluonTS:Python中的概率和神经时间序列建模}},
  杂志 = {机器学习研究杂志},
  年    = {2020},
  体积  = {21},
  数  = {116},
  页   = {1-6},
  网址     = {http://jmlr.org/papers/v21/19-820.html}
}

@文章{格隆茨·阿尔西夫,
  作者  = {Alexandrov，A.和Benidis，K.以及Bohlke-Schneider，M.和
弗伦克特，V.和加斯豪斯，J.和贾努肖夫斯基，T.和马迪克斯，D.C。
Rangapuram，S.和Salinas，D.和Schulz，J.以及Stella，L.和
Turkmen，A.C.和Wang，Y.},
  标题   = {{GluonTS:Python中的概率时间序列建模}},
  杂志 = {arXiv预打印arXiv:1906.05264},
  年    = {2019}
}