FCST Parameter

Updated 2024.05.05

experimental_plan.yaml 설명

내가 갖고 있는 데이터에 AI Contents를 적용하려면 데이터에 대한 정보와 사용할 Contents 기능들을 experimental_plan.yaml 파일에 기입해야 합니다. AI Contents를 solution 폴더에 설치하면 solution 폴더 아래에 contents 마다 기본으로 작성되어있는 experimental_plan.yaml 파일을 확인할 수 있습니다. 이 yaml 파일에 '데이터 정보'를 입력하고 asset마다 제공하는 'user arugments'를 수정/추가하여 ALO를 실행하면, 원하는 세팅으로 데이터 분석 모델을 생성할 수 있습니다.

experimental_plan.yaml 구조

experimental_plan.yaml에는 ALO를 구동하는데 필요한 다양한 setting값이 작성되어 있습니다. 이 setting값 중 '데이터 경로'와 'user arguments'부분을 수정하면 AI Contents를 바로 사용할 수 있습니다.

데이터 경로 입력(external_path)

• external_path의 parameter는 불러올 파일의 경로나 저장할 파일의 경로를 지정할 때 사용합니다. save_train_artifacts_path와 save_inference_artifacts_path는 입력하지 않으면 default 경로인 train_artifacts, inference_artifacts 폴더에 모델링 산출물이 저장됩니다.

external_path:
    - load_train_data_path: ./solution/sample_data/train
    - load_inference_data_path:  ./solution/sample_data/test
    - save_train_artifacts_path:
    - save_inference_artifacts_path:

파라미터명	DEFAULT	설명 및 옵션
load_train_data_path	./sample_data/train/	학습 데이터가 위치한 폴더 경로를 입력합니다.(csv 파일 명 입력 X)
load_inference_data_path	./sample_data/test/	추론 데이터가 위치한 폴더 경로를 입력합니다.(csv 파일 명 입력 X)

사용자 파라미터(user_parameters)

• user_parameters 아래 step은 asset 명을 의미합니다. 아래 step: input은 input asset단계임을 의미합니다.
• args는 input asset(step: input)의 user arguments를 의미합니다. user arguments는 각 asset마다 제공하는 데이터 분석 관련 설정 파라미터입니다. 이에 대한 설명은 아래에 User arguments 설명을 확인해주세요.

user_parameters:
	- train_pipeline:
		- step: input
		  args:
			- file_type
			...
		  ui_args:
			...

---

User arguments 설명

User arguments란?

User arguments는 각 asset 별 동작 설정을 위한 파라미터로 experimental_plan.yaml의 각 asset step의 args밑에 기입해 사용합니다. AI Contents의 pipeline을 구성하는 asset마다 사용자가 다양한 기능을 데이터에 적용할 수 있도록 user arguments를 제공하고 있습니다. 사용자는 아래 가이드를 참고해서 user arguments를 변경, 추가하여 데이터에 맞는 모델링을 할 수 있습니다. User arguments는 experimental_plan.yaml에 미리 작성되어있는 "필수 arguments"와 사용자가 가이드를 보고 추가하는 "Custom arguments"로 구분됩니다.

필수 arguments

• 필수 arguments는 experimental_plan.yaml에 바로 보여지는 기본 arguments 입니다. 대부분의 필수 arguments는 default 값이 내장되어 있습니다. default 값이 있는 arguments의 경우에는 유저가 별도로 값을 설정하지 않아도 기본 값으로 동작합니다.
• experimental_plan.yaml의 필수 arguments중 데이터 관련 arguments는 유저가 필수로 값을 설정해주어야 합니다. (ex. x_columns, y_column)

Custom arguments

• Custom arguments는 experimental_plan.yaml에 적혀있지 않지만, asset에서 제공하는 기능으로 사용자가 experimental_plan.yaml에 추가하여 사용할 수 있습니다. 각 asset 별 'args'에 추가하여 사용합니다.

FCST의 pipeline은 Input - Readiness - Preprocess - Modeling(train/inference) - Output asset 순으로 구성되어 있으며 각 asset의 기능에 맞추어 user arguments가 다르게 구성되어 있습니다. experimental_plan.yaml에 기입되어 있는 필수 user arguments를 먼저 사용해보시고, user arguments를 추가하여 데이터에 딱 맞는 CV 모델을 만들어보세요!

---

User arguments 요약

아래는 FCST의 user arguments 요약입니다. 'Argument 명'을 누르면 해당 arguments의 상세 설명으로 이동할 수 있습니다.

Default

• 'Default' 항목은 해당 user argument의 기본 값 입니다.
• 기본 값이 없는 경우 '-' 로 표기하였습니다.
• default에 로직이 있는 경우에는 '설명 참고'로 표기하였습니다. 'Argument 명'을 눌러 상세 설명을 확인해 주세요

ui_args

• 아래 표의 'ui_args'는 AI Conductor의 UI에서 argument 값을 변경할 수 있는 ui_args기능 지원 여부를 나타냅니다.
• O: experimental_plan.yaml의 ui_args밑에 해당 argument 명을 입력하면 AI Conductor UI에서 arguments 값을 변경할 수 있습니다.
• X: ui_args 기능을 지원하지 않습니다.
• ui_args에 대한 자세한 설명은 다음 가이드를 확인해 주세요. Write UI Parameter
• FCST experimental_plan.yaml에는 ui_args가 될 수 있는 user arguments의 ui_args_detail을 미리 전부 기입해 놓았습니다.      

사용자 설정 필수 여부

• 아래 표의 '사용자 설정 필수 여부'는 AI Contents를 동작시키기 위해 사용자가 반드시 확인하고 변경해야 할 user arguments 입니다.
• O: 일반적으로 과제, 데이터 관련 정보를 입력하는 arguments로 사용자가 모델링 전에 확인해야 합니다.
• X: 사용자가 값을 변경하지 않으면 default 값으로 모델링이 진행됩니다.

Asset명	Argument type	Argument 명	Default	설명	사용자 설정 필수 여부	ui_args
Input	Custom	file_type	csv	input data의 파일 확장자를 입력합니다.	O	X
Input	Custom	encoding	utf-8	input data의 encoding type을 입력합니다.	X	X
Readiness	필수	y_column	target	예측하고자 하는 Target column 이름을 입력합니다.	O	O
Readiness	필수	time_column	time	시간 정보가 담긴 column 이름을 입력합니다.	O	O
Readiness	필수	time_format	“%Y-%m-%d”	시간 정보의 입력 format입니다.	O	O
Readiness	필수	sample_frequency	daily	시간 정보의 간격입니다. 선택 가능한 값: yearly, monthly, weekly, daily, hourly, minutely, secondly	O	O
Readiness	필수	input_chunk_length	6	모델의 Input 시계열 길이입니다. sample_frequency에서 입력한 단위 기준으로 입력해주세요.	O	O
Readiness	필수	forecast_periods	3	모델의 예측 시계열 길이입니다. sample_frequency에서 입력한 단위 기준으로 입력해주세요.	O	O
Readiness	Custom	groupkey_column	None	그룹키 정보가 담긴 column 이름, 해당 정보가 있는 경우에만 입력하면 됩니다.	X	X
Readiness	Custom	x_covariates	[]	시간에 따라 변하는 x column 이름 리스트, 해당 정보가 있는 경우에만 입력하면 됩니다.	X	X
Readiness	Custom	static_covariates	[]	시간에 따라 변하지 않는, 프렌차이즈상호명이나 설비 종류와 같이 그룹마다 고유한 정보가 담긴 column 이름 리스트, 해당 정보가 있는 경우에만 입력하면 됩니다.	X	X
Readiness	Custom	static_cov_unify_method	latest	static_covariates가 같은 그룹 내에서 동일하지 않은 경우 하나의 값으로 통일시킵니다. “oldest” 선택지의 경우 데이터프레임에서 가장 과거 값으로, “latest” 선택지의 경우 가장 최근 값으로, “most_common” 선택지의 경우 가장 빈도 수 높은 값으로 바꿔줍니다.	X	X
Preprocess	Custom	normalizing_method	minmax	데이터 정규화 방법입니다.	X	X
Preprocess	Custom	encoding_method	onehot	Categorical 변수 인코딩 방법입니다.	X	X
Preprocess	Custom	linear_interpolation	False	True인 경우, 그룹별로 시계열 데이터 중간에 결측치가 있는 경우 linear interpolation을 통해 보간합니다. 데이터 중간의 결측치가 문제로 판단 될 경우에만 True로 사용하길 추천합니다.	X	X
Preprocess	Custom	global_padding_interpolation	False	True인 경우, 그룹별로 최소 시간 인덱스와 최대 시간 인덱스로 길이를 맞춰주고, 공백으로 채워진 경우 padding을 진행합니다. 그룹별 시작시점과 끝시점이 항상 동일해야하는 경우에만 True로 사용하길 추천합니다.	X	X
Preprocess	Custom	global_padding_method	zero	padding 하는 방법으로 "zero"를 입력하면 0으로 padding, "mean"을 입력하면 그룹별 평균값으로 padding, "same"을 입력하면 그룹별 가장 이른 값과 가장 최근 값으로 양 쪽의 결측치를 각 각 padding 합니다.	X	X
Preprocess	Custom	global_time_index_begin	None	최소 시간 인덱스를 입력할 수 있으며, 공란인 경우 모든 그룹 내 최소 시간 인덱스로 자동 입력됩니다. 입력 양식은 readiness의 time_format과 동일하게 입력해야 합니다..	X	X
Preprocess	Custom	global_time_index_end	None	최대 시간 인덱스를 입력할 수 있으며, 공란인 경우 모든 그룹 내 최대 시간 인덱스로 자동 입력됩니다. 입력 양식은 readiness의 time_format과 동일하게 입력해야 합니다.	X	X
Preprocess	Custom	outlier_smoothing	False	True인 경우, 그룹 별 x covariates의 outlier를 isolationforest 방법으로 탐지하고, 이를 이전 시점의 값으로 대체합니다. 데이터에 이상치가 존재하여 예측에 영향을 미치는 경우에만, True로 사용하길 추천합니다.	X	X
Preprocess	Custom	isolationforest_contamination	0.001	isolationforest 모델의 parameter로 전체 시계열 중에서 ouliter의 비중을 의미합니다. 보통 0 ~ 0.3 사이의 값을 많이 사용합니다.	X	X
Preprocess	Custom	expand_features	False	True인 경우, tsfresh 패키지에서 생성하는 feature들을 x covariates에 대해서 생성합니다. (딥러닝 모델에서는 False로 머신러닝 모델에서는 리소스 상황에 맞게 True/False 선택 가능합니다.)	X	X
Preprocess	Custom	expand_method	minimal	tsfresh 패키지 내에서 feature 생성 방법론을 입력할 수 있으며, "minimal"을 입력하면 통계적인 feature만 추가되며, "comprehensive"를 입력하면 모든 feature가 추가됩니다.	X	X
Preprocess	Custom	ensure_stationarity	False	True인 경우, x covariates의 정상성을 체크하고, 만족하지 않는 경우, 제곱근을 하고, 1차 차분한 값으로 변환해줍니다. (딥러닝 모델에서는 False로 머신러닝 모델에서는 리소스 상황에 맞게 True/False 선택 가능합니다.)	X	X
Train	필수	forecaster_name	nbeats	Forecasting에 사용할 모델을 선택합니다. 선택 가능한 값: nbeats.	X	X
Train	Custom	do_validation	True	평가데이터를 분할하여 성능 평가 진행 여부, 그룹키가 매우 많은 경우, False를 선택해주세요.	X	X
Train	Custom	cv_numbers	1	Cross validation시 분할하는 개수, 실험 시 1의 값으로 설정하는 것을 추천합니다.	X	X
Train	Custom	full_train	True	do_validation이 True일 경우, 최종모델은 전체 데이터로 할지 여부, 최종 모델에 가장 최근 트렌드를 반영하기 위해 True로 설정해주세요.	X	X
Train	Custom	optimize_parameters	False	Hyper-parameter optimization 실행 여부, 데이터가 많은 경우에는 Running Time을 고려하여 False를 추천합니다.	X	X
Train	Custom	use_gpu	False	GPU 활용 여부, 데이터가 많고, GPU가 제공 될 경우에는 True를 추천합니다.	X	X
Train	Custom	memory_check	False	학습 및 추론 과정에 있어서 사용한 메모리를 확인하는 기능입니다.	X	X
Train	Custom	runtime_check	False	학습 과정에 있어서 실행 시간을 확인하는 기능입니다. 메모리 체크 기능을 활성화할 경우 런타임에 영향을 주기 때문에 메모리 체크 기능은 False로 설정해주세요.	X	X
Train	Custom	metric_to_compare	mae	평가지표입니다. 선택 가능한 값: mae, mape, smape, mse, rmse, r2_score	X	X
Train	Custom	model_parameters	{nbeats: {“n_epochs”: 2, “batch_size”: 800,...}}	모델 학습과 관련된 파라미터. 설정하지 않으면 default 파라미터로 모델을 학습합니다. 자세한 내용은 하기 파라미터 설명을 참고해주세요.	X	X

---

User arguments 상세 설명    

Input asset

file_type

input data의 파일 확장자를 입력합니다.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • csv (defualt)
• 사용법
  • file_type : csv
• ui_args: X

---

encoding

input data의 encoding type을 입력합니다.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • utf-8 (defualt)
• 사용법
  • encoding : utf-8
• ui_args: X

---

Readiness asset

y_column

예측하고자 하는 Target column 이름을 입력합니다.

• Argument type: 필수
• 입력 type
  • string
• 입력 가능한 값
  • '' (defualt)
• 사용법
  • y_column : target
• ui_args: O

---

time_column

시간 정보가 담긴 column 이름을 입력합니다.

• Argument type: 필수
• 입력 type
  • string
• 입력 가능한 값
  • '' (defualt)
• 사용법
  • time_column : time
• ui_args: O

---

time_format

시간 정보의 입력 format입니다.

• Argument type: 필수
• 입력 type
  • string
• 입력 가능한 값
  • “%Y-%m-%d” (defualt)
• 사용법
  • time_format : “%Y-%m-%d”
• ui_args: O

---

sample_frequency

시간 정보의 간격입니다.

• Argument type: 필수
• 입력 type
  • string
• 입력 가능한 값
  • daily (defualt)
  • yearly
  • monthly
  • weekly
  • daily
  • hourly
  • minutely
  • secondly
• 사용법
  • sample_frequency : daily
• ui_args: O

---

input_chunk_length

모델의 Input 시계열 길이입니다. sample_frequency에서 입력한 단위 기준으로 입력해주세요.

• Argument type: 필수
• 입력 type
  • integer
• 입력 가능한 값
  • 6 (defualt)
• 사용법
  • input_chunk_length : 6
• ui_args: O

---

forecast_periods

모델의 예측 시계열 길이입니다. sample_frequency에서 입력한 단위 기준으로 입력해주세요.

• Argument type: 필수
• 입력 type
  • integer
• 입력 가능한 값
  • 3 (defualt)
• 사용법
  • forecast_periods : 3
• ui_args: O

---

groupkey_column

그룹키 정보가 담긴 column 이름, 해당 정보가 있는 경우에만 입력하면 됩니다.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • None (defualt)
• 사용법
  • groupkey_column : region
• ui_args: X

---

x_covariates

시간에 따라 변하는 x column 이름 리스트, 해당 정보가 있는 경우에만 입력하면 됩니다.

• Argument type: Custom
• 입력 type
  • list
• 입력 가능한 값
  • [] (defualt)
• 사용법
  • x_covariates : []
• ui_args: X

---

static_covariates

시간에 따라 변하지 않는, 프렌차이즈상호명이나 설비 종류와 같이 그룹마다 고유한 정보가 담긴 column 이름 리스트, 해당 정보가 있는 경우에만 입력하면 됩니다.

• Argument type: Custom
• 입력 type
  • list
• 입력 가능한 값
  • [] (defualt)
• 사용법
  • static_covariates : []
• ui_args: X

---

static_cov_unify_method

static_covariates가 같은 그룹 내에서 동일하지 않은 경우 하나의 값으로 통일시킵니다. “oldest” 선택지의 경우 데이터프레임에서 가장 과거 값으로, “latest” 선택지의 경우 가장 최근 값으로, “most_common” 선택지의 경우 가장 빈도 수 높은 값으로 바꿔줍니다.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • latest (defualt)
• 사용법
  • static_cov_unify_method : latest
• ui_args: X

---

Preprocess asset

normalizing_method

데이터 정규화 방법입니다.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • minmax (defualt)
  • z-norm
• 사용법
  • normalizing_method : minmax
• ui_args: X

---

encoding_method

Categorical 변수 인코딩 방법입니다.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • onehot (defualt)
  • label
• 사용법
  • encoding_method : onehot
• ui_args: X

---

linear_interpolation

True인 경우, 그룹별로 시계열 데이터 중간에 결측치가 있는 경우 linear interpolation을 통해 보간합니다. 데이터 중간의 결측치가 문제로 판단 될 경우에만 True로 사용하길 추천합니다.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • False (defualt)
  • True
• 사용법
  • linear_interpolation : False
• ui_args: X

---

global_padding_interpolation

True인 경우, 그룹별로 최소 시간 인덱스와 최대 시간 인덱스로 길이를 맞춰주고, 공백으로 채워진 경우 padding을 진행합니다. 그룹별 시작시점과 끝시점이 항상 동일해야하는 경우에만 True로 사용하길 추천합니다.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • False (defualt)
  • True
• 사용법
  • global_padding_interpolation : False
• ui_args: X

---

global_padding_method

padding 하는 방법으로 "zero"를 입력하면 0으로 padding, "mean"을 입력하면 그룹별 평균값으로 padding, "same"을 입력하면 그룹별 가장 이른 값과 가장 최근 값으로 양 쪽의 결측치를 각 각 padding 합니다.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • zero (defualt)
  • mean
  • same
• 사용법
  • global_padding_method : zero
• ui_args: X

---

global_time_index_begin

최소 시간 인덱스를 입력할 수 있으며, 공란인 경우 모든 그룹 내 최소 시간 인덱스로 자동 입력됩니다. 입력 양식은 readiness의 time_format과 동일하게 입력해야 합니다..

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • None (defualt)
• 사용법
  • global_time_index_begin : None
• ui_args: X

---

global_time_index_end

최대 시간 인덱스를 입력할 수 있으며, 공란인 경우 모든 그룹 내 최대 시간 인덱스로 자동 입력됩니다. 입력 양식은 readiness의 time_format과 동일하게 입력해야 합니다.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • None (defualt)
• 사용법
  • global_time_index_end : None
• ui_args: X

---

outlier_smoothing

True인 경우, 그룹 별 x covariates의 outlier를 isolationforest 방법으로 탐지하고, 이를 이전 시점의 값으로 대체합니다. 데이터에 이상치가 존재하여 예측에 영향을 미치는 경우에만, True로 사용하길 추천합니다.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • False (defualt)
• 사용법
  • outlier_smoothing : False
• ui_args: X

---

isolationforest_contamination

isolationforest 모델의 parameter로 전체 시계열 중에서 ouliter의 비중을 의미합니다. 보통 0 ~ 0.3 사이의 값을 많이 사용합니다.

• Argument type: Custom
• 입력 type
  • float
• 입력 가능한 값
  • 0.001 (defualt)
• 사용법
  • isolationforest_contamination : 0.001
• ui_args: X

---

expand_features

True인 경우, tsfresh 패키지에서 생성하는 feature들을 x covariates에 대해서 생성합니다. (딥러닝 모델에서는 False로 머신러닝 모델에서는 리소스 상황에 맞게 True/False 선택 가능합니다.)

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • False (defualt)
• 사용법
  • expand_features : False
• ui_args: X

---

expand_method

tsfresh 패키지 내에서 feature 생성 방법론을 입력할 수 있으며, "minimal"을 입력하면 통계적인 feature만 추가되며, "comprehensive"를 입력하면 모든 feature가 추가됩니다.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • minimal (defualt)
  • comprehensive
• 사용법
  • expand_method : minimal
• ui_args: X

---

ensure_stationarity

True인 경우, x covariates의 정상성을 체크하고, 만족하지 않는 경우, 제곱근을 하고, 1차 차분한 값으로 변환해줍니다. (딥러닝 모델에서는 False로 머신러닝 모델에서는 리소스 상황에 맞게 True/False 선택 가능합니다.)

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • False (defualt)
• 사용법
  • ensure_stationarity : False
• ui_args: X

---

Train asset

forecaster_name

Forecasting에 사용할 모델을 선택합니다. 추후 Darts에서 지원하는 모델을 추가할 예정입니다.

• Argument type: 필수
• 입력 type
  • string
• 입력 가능한 값
  • nbeats (defualt)
• 사용법
  • forecaster_name : nbeats
• ui_args: X

---

do_validation

평가데이터를 분할하여 성능 평가 진행 여부, 그룹키가 매우 많은 경우, False를 선택해주세요.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • True (defualt)
• 사용법
  • do_validation : True
• ui_args: X

---

cv_numbers

Cross validation시 분할하는 개수, 실험 시 1의 값으로 설정하는 것을 추천합니다.

• Argument type: Custom
• 입력 type
  • integer
• 입력 가능한 값
  • 1 (defualt)
• 사용법
  • cv_numbers : 1
• ui_args: X

---

full_train

do_validation이 True일 경우, 최종모델은 전체 데이터로 할지 여부, 최종 모델에 가장 최근 트렌드를 반영하기 위해 True로 설정해주세요.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • True (defualt)
• 사용법
  • full_train : True
• ui_args: X

---

optimize_parameters

Hyper-parameter optimization 실행 여부, 데이터가 많은 경우에는 Running Time을 고려하여 False를 추천합니다.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • False (defualt)
• 사용법
  • optimize_parameters : False
• ui_args: X

---

use_gpu

GPU 활용 여부, 데이터가 많고, GPU가 제공 될 경우에는 True를 추천합니다.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • False (defualt)
• 사용법
  • use_gpu : False
• ui_args: X

---

memory_check

학습 및 추론 과정에 있어서 사용한 메모리를 확인하는 기능입니다.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • False (defualt)
• 사용법
  • memory_check : False
• ui_args: X

---

runtime_check

학습 과정에 있어서 실행 시간을 확인하는 기능입니다. 메모리 체크 기능을 활성화할 경우 런타임에 영향을 주기 때문에 메모리 체크 기능은 False로 설정해주세요.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • False (defualt)
• 사용법
  • runtime_check : False
• ui_args: X

---

metric_to_compare

평가지표입니다.

• Argument type: Custom
• 입력 type
  • string
• 입력 가능한 값
  • mae (defualt)
  • mape
  • smape
  • mse
  • rmse
  • r2_score
• 사용법
  • metric_to_compare : mae
• ui_args: X

---

model_parameters

모델 학습과 관련된 파라미터. 설정하지 않으면 default 파라미터로 모델을 학습합니다. 자세한 내용은 하기 파라미터 설명을 참고해주세요.

• Argument type: Custom
• 입력 type
  • dictionary
• 입력 가능한 값
  • {nbeats: {“n_epochs”: 2, “batch_size”: 800,...}} (defualt)
• 사용법
  • model_parameters : {nbeats: {"n_epochs": 2, "batch_size": 800, "dropout": 0,"generic_architecture": True, "num_stacks": 30, "num_blocks": 1, "num_layers": 4, "layer_widths": 256, "activation": "ReLU", "expansion_coefficient_dim": 128, "trend_polynomial_degree": 4}}
• ui_args: X

---

FCST Version: 2.1.0