Python tf.keras.utils.timeseries_dataset_from_array用法及代码示例

在以数组形式提供的时间序列上创建滑动窗口数据集。

用法

tf.keras.utils.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
)

此函数接受以相等间隔收集的data-points 序列，以及时间序列参数，例如序列/窗口的长度、两个序列/窗口之间的间距等，以生成批次的时间序列输入和目标。

示例 1：

考虑索引 [0, 1, ... 99] 。使用 sequence_length=10, sampling_rate=2, sequence_stride=3 , shuffle=False ，数据集将产生由以下索引组成的序列批次：

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]

在这种情况下，最后 3 个数据点被丢弃，因为无法生成包含它们的完整序列(下一个序列将从索引 81 开始，因此其最后一步将超过 99)。

示例 2：时间回归。

考虑一个形状为 (steps,) 的标量值数组 data 。要生成使用过去 10 个时间步来预测下一个时间步的数据集，您可以使用：

input_data = data[:-10]
targets = data[10:]
dataset = tf.keras.preprocessing.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]
  assert np.array_equal(targets[0], data[10])  # Corresponding target:step 10
  break

示例 3：many-to-many 架构的时间回归。

考虑两个标量值数组 X 和 Y ，它们的形状都是 (100,) 。生成的数据集应包含每个具有 20 个时间戳的样本。样本不应重叠。要生成使用当前时间戳来预测相应目标时间步长的数据集，您可以使用：

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

sample_length = 20
input_dataset = tf.keras.preprocessing.timeseries_dataset_from_array(
  X, None, sequence_length=sample_length, sequence_stride=sample_length)
target_dataset = tf.keras.preprocessing.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