forecasting_ts_utils 模块

用于操作 TimeSeriesDataSet 对象中的数据的实用工具函数。

函数

construct_day_of_quarter

从输入中的时间索引计算季度的第几天。

此外，还可以计算从 time_index 列派生的信息，例如年、季度、季度的第一天。

construct_day_of_quarter(X: TimeSeriesDataSet) -> pandas.core.frame.DataFrame

参数

X

<xref:azureml.automl.runtime._time_series_data_set.TimeSeriesDataSet.>

必需

输入数据帧，计算每个季度的第几天。

返回

包含 day_of_quarter 列和用于计算 day_of_quarter 的一些其他时间相关列的数据帧。

datetime_is_date

测试输入日期/时间对象是否有任何小时/分钟/秒组件。

datetime_is_date(x)

参数

x

<xref:pandas.core.indexes.datetimes.DatetimeIndex>

必需

要检查的输入日期/时间对象。

返回

如果输入日期不包含任何小时/分钟/秒组件，则返回 True，否则返回 False。

detect_seasonality

检测标量值时序中的主导季节性。

“季节性”是指序列的 autocorrelation 函数中具有大量高峰的 lag 值。 :p aram ts_values：按升序时间排序的序列值：type ts_values: numpy.ndarray :return:

与最强 autocorrelation 峰值关联的 Lag 值。 如果找不到明显峰值，则函数返回值 1

detect_seasonality(ts_values: numpy.ndarray) -> int

参数

ts_values

返回类型

int

detect_seasonality_tsdf

返回数据帧中的主导季节性。

如果不同的粒度具有不同的季节性，则会显示警告，并返回最常见的季节性。 :p aram X：数据集。 :type X: azureml.automl.runtime._time_series_data_set.TimeSeriesDataSet :returns：季节性。 :rtype: int

detect_seasonality_tsdf(X: TimeSeriesDataSet) -> int

参数

X

get_stl_decomposition

使用 Loess 平滑处理计算季节性和趋势分解。

此函数计算 1-D 数组的“STL 分解”，返回包含季节性、趋势和残留组件的元组作为 1-D 数组。 趋势是通过 Loess 平滑来确定的，季节性组件是输入季节性周期的定期组成部分。 分解是累加的，因此，返回的组件的总和为原始值：s_values = 季节性 + 趋势 + 残留。

get_stl_decomposition(ts_values: numpy.ndarray, seasonality: int = 1) -> Tuple[numpy.ndarray, numpy.ndarray, numpy.ndarray]

参数

ts_values

ndarray

必需

要分解的 1-D 时序

seasonality

int

默认值: 1

输入系列的季节性

返回

STL 分解的组件

返回类型

tuple(ndarray, ndarray, ndarray)

last_n_periods_split

将输入数据集拆分为训练数据集和测试数据集。

拆分是这样，对于每个粒度，此函数将最后 test_size 个数据点分配到一个测试数据集，并保留用于训练数据集的初始数据点。 如果 tsds 中未设置 origin_time，则每个数据点对应一个时间步（周期）。

last_n_periods_split(tsds: TimeSeriesDataSet, test_size: int) -> Tuple[TimeSeriesDataSet, TimeSeriesDataSet]

参数

tsds

<xref:azureml.automl.runtime._time_series_data_set.TimeSeriesDataSet.>

必需

要从中生成测试数据集的输入数据集。

test_size

<xref:int.>

必需

为测试数据集留出的每个粒度的数据点数。

返回

TimeSeriesDataSets 的 2 元组，第一个元素是训练数据集，第二个元素是测试数据集。