StemGNN
谱时域图神经网络 (StemGNN) 是一种基于图的多元时间序列预测模型。StemGNN 通过结合图傅里叶变换 (GFT) 和离散傅里叶变换 (DFT)，在谱域中联合学习时间依赖性和序列间的相关性。
该方法在 Solar、METR-LA 和 PEMS-BAY 等地理时间数据集上取得了最先进的性能，并且
来源
GLU
GLU
来源
StockBlockLayer
StockBlockLayer
来源
StemGNN
*StemGNN
谱时域图神经网络 (StemGNN) 是一种基于图的多元时间序列预测模型。StemGNN 通过结合图傅里叶变换 (GFT) 和离散傅里叶变换 (DFT)，在谱域中联合学习时间依赖性和序列间的相关性。
参数
h: int, 预测范围。
input_size: int, 自回归输入大小, y=[1,2,3,4] input_size=2 -> y_[t-2:t]=[1,2]。
n_series: int, 时间序列数量。
futr_exog_list: str list, 未来外部列。
hist_exog_list: str list, 历史外部列。
stat_exog_list: str list, 静态外部列。
n_stacks: int=2, 模型中的堆叠数量。
multi_layer: int=5, StemGNN 块中 FC 隐藏层大小的乘数。
dropout_rate: float=0.5, dropout 比率。
leaky_rate: float=0.2, 潜在相关层中 LeakyReLU 层的 alpha 值。
loss: PyTorch module, 损失集合中实例化的训练损失类。
valid_loss: PyTorch module=loss, 损失集合中实例化的验证损失类。
max_steps: int=1000, 最大训练步数。
learning_rate: float=1e-3, 学习率，范围 (0, 1)。
num_lr_decays: int=-1, 学习率衰减次数，均匀分布在 max_steps 中。
early_stop_patience_steps: int=-1, 早停前验证迭代次数。
val_check_steps: int=100, 每隔多少训练步检查一次验证损失。
batch_size: int, 每个批次的窗口数量。
valid_batch_size: int=None, 每个验证和测试批次中不同序列的数量，如果为 None 则使用 batch_size。
windows_batch_size: int=32, 每个训练批次中抽样的窗口数量，默认为全部。
inference_windows_batch_size: int=32, 每个推理批次中抽样的窗口数量，-1 表示全部。
start_padding_enabled: bool=False, 如果为 True，模型将按 input size 在时间序列开头用零填充。
step_size: int=1, 每个时间数据窗口之间的步长。
scaler_type: str=‘robust’, 时间输入归一化的缩放器类型，见 temporal scalers。
random_seed: int, 用于 pytorch 初始化器和 numpy 生成器的随机种子。
drop_last_loader: bool=False, 如果为 True，TimeSeriesDataLoader 会丢弃最后一个非完整批次。
alias: str, 可选，模型的自定义名称。
optimizer: ‘torch.optim.Optimizer’ 的子类，可选，用户指定的优化器替代默认选择 (Adam)。
optimizer_kwargs: dict, 可选，用户指定的 `optimizer` 所使用的参数列表。
lr_scheduler: ‘torch.optim.lr_scheduler.LRScheduler’ 的子类，可选，用户指定的 lr_scheduler 替代默认选择 (StepLR)。
lr_scheduler_kwargs: dict, 可选，用户指定的 `lr_scheduler` 所使用的参数列表。
dataloader_kwargs: dict, 可选，`TimeSeriesDataLoader` 传递给 PyTorch Lightning 数据加载器的参数列表。
**trainer_kwargs: int, 继承自 PyTorch Lighning 的 trainer 的关键字 trainer 参数。
*
StemGNN.fit
*拟合。
`fit` 方法使用初始化参数（learning_rate, windows_batch_size, ...）和初始化期间定义的 `loss` 函数来优化神经网络的权重。在 `fit` 方法内部，我们使用一个 PyTorch Lightning 的 `Trainer`，它继承了初始化时的 `self.trainer_kwargs` 来定制其输入，详见 PL 的 trainer 参数。
该方法旨在与 SKLearn 类似的类兼容，特别是与 StatsForecast 库兼容。
默认情况下，`model` 不保存训练检查点以节省磁盘空间，如需保存，请在 `__init__` 中更改 `enable_checkpointing=True`。
参数
dataset: NeuralForecast 的 TimeSeriesDataset，详见文档。
val_size: int, 用于时间交叉验证的验证集大小。
random_seed: int=None, 用于 pytorch 初始化器和 numpy 生成器的随机种子，会覆盖 model.__init__ 中的设置。
test_size: int, 用于时间交叉验证的测试集大小。
*
StemGNN.predict
*预测。
使用 PL 的 `Trainer` 执行 `predict_step` 进行神经网络预测。
参数
dataset: NeuralForecast 的 TimeSeriesDataset，详见文档。
test_size: int=None, 用于时间交叉验证的测试集大小。
step_size: int=1, 每个窗口之间的步长。
random_seed: int=None, 用于 pytorch 初始化器和 numpy 生成器的随机种子，会覆盖 model.__init__ 中的设置。
quantiles: list of floats, 可选 (默认=None), 目标分位数预测。
**data_module_kwargs: PL 的 TimeSeriesDataModule 参数，详见文档。*
使用示例
使用 `predict` 方法训练模型并预测未来值。
使用 `cross_validation` 预测多个历史值。