_TideModule

class pytorch_forecasting.models.tide.sub_modules._TideModule(output_dim: int, future_cov_dim: int, static_cov_dim: int, output_chunk_length: int, input_chunk_length: int, num_encoder_layers: int, num_decoder_layers: int, decoder_output_dim: int, hidden_size: int, temporal_decoder_hidden: int, temporal_width_future: int, use_layer_norm: bool, dropout: float, temporal_hidden_size_future: int)

基础： Module

实现TiDE架构的PyTorch模块。

Parameters:

• input_dim – 输入特征的总数，包括目标和可选的协变量。

• output_dim – 目标中的输出特征数量。

• future_cov_dim – 可用于未来时间步的协变量数量。

• static_cov_dim – 在时间步骤中保持不变的协变量数量。

• num_encoder_layers – 编码器中使用的堆叠残差块的数量。

• num_decoder_layers – 解码器中使用的堆叠残差块的数量。

• decoder_output_dim – 解码器输出的维度。

• hidden_size – 编码器/解码器残差块中隐藏层的大小。

• temporal_decoder_hidden – 时间解码器中隐藏层的大小。

• temporal_width_future – 未来协变量的嵌入空间维度。

• temporal_hidden_size_future – Residual Block 中投影未来协变量的隐藏层大小。

• use_layer_norm – 指示是否在残差块中应用层归一化。

• dropout – 丢弃率。

• 输入

• ------

• x – 一个元组，包含张量 (x_past, x_future, x_static)， 其中 x_past 表示输入/过去序列， 而 x_future 表示输出/未来序列。输入的维度为 (batch_size, time_steps, components)。

• 输出

• -------

• y – 一个维度为 (batch_size, output_chunk_length, output_dim) 的张量，表示模型的输出。

方法

forward(x_in)

TiDE模型的正向传播。

forward(x_in: Tuple[Tensor, Tensor | None, Tensor | None]) → Tensor

TiDE模型的前向传递。

Parameters:

x_in – 作为元组（x_past, x_future, x_static）出现，其中 x_past 是输入/过去片段，x_future 是输出/未来片段。输入维度为（batch_size, time_steps, components）

Returns:

输出张量形状为 (batch_size, output_chunk_length, output_dim)

Return type:

torch.Tensor