adding forecasting time series case

lyzl2010 · Sep 17, 2023 · 50f97a5 · 50f97a5
1 parent 85a8f0c
commit 50f97a5
Show file tree

Hide file tree

Showing 6 changed files with 282 additions and 503 deletions.
diff --git a/Tutorials/forecasting-time-series.ipynb b/Tutorials/forecasting-time-series.ipynb
diff --git a/docs/waico_jups/forecasting-time-series.ipynb b/docs/waico_jups/forecasting-time-series.ipynb
diff --git a/tsad/base/wrappers.py b/tsad/base/wrappers.py
@@ -28,7 +28,7 @@ def _sklearn_predict(self,df):
             return new_df
 
 
-        def fit(self,df:pd.DataFrame,sklearn_kwargs):
+        def fit(self,df:pd.DataFrame,sklearn_kwargs={}):
             self.sklearnClass.fit(df,**sklearn_kwargs)
             new_df = self._sklearn_predict(df)
             return new_df

diff --git a/tsad/pipelines.py b/tsad/pipelines.py
@@ -0,0 +1,26 @@
+from tsad.tasks.eda import HighLevelDatasetAnalysisTask, TimeDiscretizationTask
+from tsad.tasks.eda import FindNaNTask, EquipmentDowntimeTask
+from tsad.tasks.preprocess import ScalingTask, ValueRangeProcessingTask, ResampleProcessingTask 
+from tsad.tasks.preprocess import FeatureProcessingTask, SplitByNaNTask, PrepareSeqSamplesTask
+from tsad.tasks.deep_learning_anomaly_detection import ResidualAnomalyDetectionTask
+from tsad.tasks.deep_learning_forecasting import DeepLeaningTimeSeriesForecastingTask
+
+from tsad.base.pipeline import Pipeline
+from tsad.base.wrappers import SklearnWrapper
+
+from sklearn.preprocessing import StandardScaler
+
+StandardScalerTask = SklearnWrapper(StandardScaler)
+
+multivatiateTimeSeriesDeepLearningForecastingTaskSet = [
+    HighLevelDatasetAnalysisTask(),
+    TimeDiscretizationTask(freq_tobe_approach='most_frequent'),
+    FindNaNTask(),
+    EquipmentDowntimeTask(),
+    ResampleProcessingTask(),
+    StandardScalerTask(),
+    FeatureProcessingTask(),
+    SplitByNaNTask(),
+    PrepareSeqSamplesTask(len_seq=10),
+    DeepLeaningTimeSeriesForecastingTask(),
+]
diff --git a/tsad/tasks/deep_learning_forecasting.py b/tsad/tasks/deep_learning_forecasting.py
@@ -347,9 +347,8 @@ def predict(self,
         # -----------------------------------------------------------------------------------------
         #     Генерация остатков
         # -----------------------------------------------------------------------------------------
-        X_train, X_test, y_train, y_test = dfs
-        all_data_iterator = self.Loader(X_test, y_test, self.batch_size, shuffle=False) ######
-        ##### !!!!!!!!!!!!!!!  c X_test, y_test точно ошибка
+        X_train, X_test, y_train, y_test = dfs # тут нужен только X_train
+        all_data_iterator = self.Loader(X_train, X_train, self.batch_size, shuffle=False) 
 
         y_pred = self.model.run_epoch( all_data_iterator,     
                                 None, None, phase='forecast', points_ahead=self.points_ahead,

diff --git a/tsad/tasks/eda.py b/tsad/tasks/eda.py
@@ -225,7 +225,7 @@ def __init__(self, name: str | None = None, FREQ_TOBE=None, freq_tobe_approach:
                 * Если 'custom' для оптимальной частоты берется частота из параметра FREQ_TOBE
                 * Если 'min_period' для оптимальной частоты берется частота,
                 соответствующая минимальному периоду между сэмплами
-                * Если 'min_period' для оптимальной частоты берется частота,
+                * Если 'most_frequent' для оптимальной частоты берется частота,
                 соответствующая наиболее часто встречающемуся периоду между сэмплами
                 * Если 'auto' для оптимальной частоты берется частота,
                 которая находится сложным образом на основе округления большего числа периодов.