Deep learning for Demand Forecasting
| # | Column | Dtype | Description |
|---|---|---|---|
| 0 | data | pd.DataFrame | Данные, для которых осуществляется генерация признаков |
| 1 | target_cols | list | Список целевых переменных, по которым производится расчет признаков |
| 2 | id_cols | list | Ключи объектов, по которым производится группировка данных |
| 3 | date_col | str | Колонка с датой |
| 4 | lags | list | Значения лага(отступ от текущей даты, измеряется в днях) |
| 5 | windows | list | Размер окна, внутри которого применяется функция(дни/недели/месяцы) |
| 6 | preagg_methods | list | Применяемые методы для получения уникального ключа каждого объекта |
| 7 | agg_methods | list | Методы аггрегации, применяемые внутри заданного окна |
| 8 | dynamic_filters | list | Названия колонок, которые используются в качестве фильтра |
| 9 | ewm_params | dict | Параметры pandas.ewm метода для каждого dynamic_filter |
| # | Column | Dtype | Description |
|---|---|---|---|
| 0 | timedelta | str | Единица времени в задаче прогнозирования. Возможные значения - s, m, h, D, W, M, Y |
| 1 | date_col | str | Колонка с датой |
| 2 | target | str | Прогнозируемая переменная |
| 3 | id_cols | list | Ключи объектов, по которым производится группировка данных |
| 4 | categorical | list | Категориальные признаки |
| 5 | real | list | Вещественные признаки |
| 6 | model | str | Архитектура нейронной сети. Возможные значения - LSTM, GRU, TFT, DeepAR, NBeats |
| 7 | params | dict | Параметры модели |