tf.keras.preprocessing.timeseries_dataset_from_array

Создает набор данных со скользящими окнами для временного ряда, заданного в виде массива.

tf.keras.preprocessing.timeseries_dataset_from_array(
    data,
    targets,
    sequence_length,
    sequence_stride=1,
    sampling_rate=1,
    batch_size=128,
    shuffle=False,
    seed=None,
    start_index=None,
    end_index=None
)

Используется в блокнотах

Эта функция принимает последовательность точек данных, собранных через равные промежутки времени, а также параметры временного ряда, такие как длина последовательностей/окон, расстояние между двумя последовательностями/окнами и т. д., чтобы создавать пакеты входных данных и целевых значений временного ряда.

Экземпляр tf.data.Dataset. Если передан targets, набор данных возвращает кортеж (batch_of_sequences, batch_of_targets). В противном случае набор данных возвращает только batch_of_sequences.

Пример 1:

Рассмотрим индексы [0, 1, ... 98]. При sequence_length=10, sampling_rate=2, sequence_stride=3, shuffle=False набор данных будет возвращать пакеты последовательностей, состоящих из следующих индексов:

First sequence:  [0  2  4  6  8 10 12 14 16 18]
Second sequence: [3  5  7  9 11 13 15 17 19 21]
Third sequence:  [6  8 10 12 14 16 18 20 22 24]
...
Last sequence:   [78 80 82 84 86 88 90 92 94 96]

В этом случае последние 2 точки данных отбрасываются, поскольку для их включения нельзя сформировать полную последовательность (следующая последовательность начиналась бы с индекса 81, а ее последний шаг выходил бы за пределы 98).

Пример 2: временная регрессия.

Рассмотрим массив data скалярных значений формы (steps,). Чтобы создать набор данных, использующий последние 10 временных шагов для прогнозирования следующего временного шага, воспользуйтесь следующим кодом:

input_data = data[:-10]
targets = data[10:]
dataset = timeseries_dataset_from_array(
    input_data, targets, sequence_length=10)
for batch in dataset:
  inputs, targets = batch
  assert np.array_equal(inputs[0], data[:10])  # First sequence: steps [0-9]
  # Corresponding target: step 10
  assert np.array_equal(targets[0], data[10])
  break

Пример 3: временная регрессия для архитектур many-to-many.

Рассмотрим два массива скалярных значений X и Y, оба формы (100,). Полученный набор данных должен состоять из образцов по 20 временных меток каждый. Образцы не должны перекрываться. Чтобы создать набор данных, использующий текущую временную метку для прогнозирования соответствующей целевой временной метки, воспользуйтесь следующим кодом:

X = np.arange(100)
Y = X*2

sample_length = 20
input_dataset = timeseries_dataset_from_array(
    X, None, sequence_length=sample_length, sequence_stride=sample_length)
target_dataset = timeseries_dataset_from_array(
    Y, None, sequence_length=sample_length, sequence_stride=sample_length)

for batch in zip(input_dataset, target_dataset):
    inputs, targets = batch
    assert np.array_equal(inputs[0], X[:sample_length])

    # second sample equals output timestamps 20-40
    assert np.array_equal(targets[1], Y[sample_length:2*sample_length])
    break