AutoREG#

class AutoREG(lags=None, trend='c', seasonal=False, hold_back=None, period=None, missing='none', deterministic=None, cov_type='nonrobust', cov_kwds=None, use_t=True, dynamic=False)[source]#

自回归 AR-X(p) 模型。

使用条件最大似然法 (OLS) 估计 AR-X 模型。

参数:

lags{None, int, list[int]}

模型中包含的滞后数量（如果为整数）或要包含的滞后索引列表。例如，[1, 4] 将只包含滞后 1 和 4，而 lags=4 将包含滞后 1, 2, 3 和 4。None 表示排除所有 AR 滞后，行为与 0 相同。

trend{‘n’, ‘c’, ‘t’, ‘ct’}

模型中包含的趋势项

‘n’ - 无趋势。
‘c’ - 仅常数项。
‘t’ - 仅时间趋势。
‘ct’ - 常数项和时间趋势。

seasonalbool

一个标志，指示是否在模型中包含季节性虚拟变量。如果 seasonal 为 True 且 trend 包含 ‘c’，则第一个周期将从季节项中排除。

hold_back{None, int}

从估计样本中排除的初始观测值数量。如果为 None，则 hold_back 等于模型中的最大滞后。设置为非零值可生成具有不同滞后长度的可比较模型。例如，要比较 lags=3 和 lags=1 的模型的拟合度，请将 hold_back=3，这确保两个模型都使用观测值 3,…,nobs 进行估计。hold_back 必须 >= 模型中的最大滞后。

period{None, int}

数据的周期。仅在 seasonal 为 True 时使用。如果使用包含已知频率的 pandas 对象，则可以省略此参数。

missingstr

可用选项包括 ‘none’, ‘drop’, 和 ‘raise’。如果为 ‘none’，则不进行 NaN 检查。如果为 ‘drop’，则删除任何包含 NaN 的观测值。如果为 ‘raise’，则引发错误。默认值为 ‘none’。

deterministicDeterministicProcess

一个确定性过程。如果提供，则忽略 trend 和 seasonal。如果 trend 不为 “n” 且 seasonal 不为 False，则会发出警告。

属性:

cutoff: 截止点 = 预测器的“当前时间”状态。
fh: 已传递的预测范围。
is_fitted: 是否已调用 fit 方法。

示例

使用 AutoREG 预测单变量数据。

>>> from sktime.forecasting.auto_reg import AutoREG  
>>> from sktime.datasets import load_airline
>>> from sktime.forecasting.base import ForecastingHorizon
>>> data = load_airline()
>>> autoreg_sktime = AutoREG(lags=2, trend="c")  
>>> autoreg_sktime.fit(y=data)  
AutoREG(lags=2)
>>> fh = ForecastingHorizon([x for x in range(1, 13)])
>>> y_pred = autoreg_sktime.predict(fh=fh)  

使用 AutoREG 预测带有外生数据。

>>> from sktime.forecasting.auto_reg import AutoREG  
>>> from sktime.datasets import load_longley
>>> from sktime.forecasting.base import ForecastingHorizon
>>> y, X_og = load_longley()
>>> X_oos = X_og.iloc[-5:, :]
>>> y, X = y.iloc[:-5], X_og.iloc[:-5, :]
>>> X, X_oos = X[["GNPDEFL", "GNP"]], X_oos[["GNPDEFL", "GNP"]]
>>> autoreg_sktime = AutoREG(lags=2, trend="c")  
>>> autoreg_sktime.fit(y=y, X=X)  
AutoREG(lags=2)
>>> fh = ForecastingHorizon([x for x in range(1, 4)])
>>> y_pred = autoreg_sktime.predict(X=X_oos, fh=fh)  

方法

`check_is_fitted`([method_name])	检查估计器是否已拟合。
`clone`()	获取具有相同超参数和配置的对象的克隆。
`clone_tags`(estimator[, tag_names])	从另一个对象克隆标签作为动态覆盖。
`create_test_instance`([parameter_set])	使用第一个测试参数集构造类的实例。
`create_test_instances_and_names`([parameter_set])	创建所有测试实例列表及其名称列表。
`fit`(y[, X, fh])	将预测器拟合到训练数据。
`fit_predict`(y[, X, fh, X_pred])	拟合时间序列并在未来范围进行预测。
`get_class_tag`(tag_name[, tag_value_default])	从类中获取类标签值，包括从父类继承的标签。
`get_class_tags`()	从类中获取类标签，包括从父类继承的标签。
`get_config`()	获取 self 的配置标志。
`get_fitted_params`([deep])	获取已拟合参数。
`get_param_defaults`()	获取对象的参数默认值。
`get_param_names`([sort])	获取对象的参数名称。
`get_params`([deep])	获取此对象的参数值字典。
`get_tag`(tag_name[, tag_value_default, ...])	从实例获取标签值，包括标签级别继承和覆盖。
`get_tags`()	从实例获取标签，包括标签级别继承和覆盖。
`get_test_params`([parameter_set])	返回估计器的测试参数设置。
`is_composite`()	检查对象是否由其他 BaseObject 组成。
`load_from_path`(serial)	从文件位置加载对象。
`load_from_serial`(serial)	从序列化内存容器加载对象。
`predict`([fh, X])	在未来范围预测时间序列。
`predict_interval`([fh, X, coverage])	计算/返回预测区间预测。
`predict_proba`([fh, X, marginal])	计算/返回完全概率预测。
`predict_quantiles`([fh, X, alpha])	计算/返回分位数预测。
`predict_residuals`([y, X])	返回时间序列预测的残差。
`predict_var`([fh, X, cov])	计算/返回方差预测。
`reset`()	将对象重置为干净的初始化后状态。
`save`([path, serialization_format])	将序列化的 self 保存到字节类对象或 (.zip) 文件。
`score`(y[, X, fh])	使用 MAPE（非对称）对预测结果与真实值进行评分。
`set_config`(**config_dict)	将配置标志设置为给定值。
`set_params`(**params)	设置此对象的参数。
`set_random_state`([random_state, deep, ...])	为 self 设置 random_state 伪随机种子参数。
`set_tags`(**tag_dict)	将实例级别标签覆盖设置为给定值。
`update`(y[, X, update_params])	更新截止点值，并可选地更新已拟合参数。
`update_predict`(y[, cv, X, update_params, ...])	在测试集上迭代进行预测并更新模型。
`update_predict_single`([y, fh, X, update_params])	使用新数据更新模型并进行预测。

classmethod get_test_params(parameter_set='default')[source]#

返回估计器的测试参数设置。

参数:

parameter_setstr, default=”default”: 要返回的测试参数集的名称，用于测试。如果某个值未定义特殊参数，则将返回 "default" 集。当前预测器没有保留值。

返回值:

paramsdict or list of dict, default = {}: 创建类的测试实例的参数。每个 dict 都是构造一个“有趣”的测试实例的参数，即 MyClass(**params) 或 MyClass(**params[i]) 创建一个有效的测试实例。create_test_instance 使用 params 中的第一个（或唯一一个）字典。

check_is_fitted(method_name=None)[source]#

检查估计器是否已拟合。

检查 _is_fitted 属性是否存在且为 True。在调用对象的 fit 方法时，is_fitted 属性应设置为 True。

如果不是，则引发 NotFittedError。

参数:

method_namestr, optional: 调用此函数的方法的名称。如果提供，错误消息将包含此信息。

引发:

NotFittedError: 如果估计器尚未拟合。

clone()[source]#

获取具有相同超参数和配置的对象的克隆。

克隆是一个没有共享引用、处于初始化后状态的不同对象。此函数相当于返回 self 的 sklearn.clone。

等同于构造一个 type(self) 的新实例，其参数与 self 的参数相同，即 type(self)(**self.get_params(deep=False))。

如果在 self 上设置了配置，则克隆也将具有与原始对象相同的配置，等同于调用 cloned_self.set_config(**self.get_config())。

其值也等同于调用 self.reset，但 clone 返回一个新对象，而不是像 reset 那样改变 self。

引发:

如果由于 __init__ 错误导致克隆不合规，则引发 RuntimeError。

clone_tags(estimator, tag_names=None)[source]#

从另一个对象克隆标签作为动态覆盖。

每个 scikit-base 兼容对象都包含一个标签字典。标签可用于存储有关对象的元数据或控制对象的行为。

标签是特定于实例 self 的键值对，它们是静态标志，在对象构造后不会更改。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

clone_tags 方法应仅在对象的 __init__ 方法中调用，即在构造期间或通过 __init__ 直接构造之后。

动态标签设置为 estimator 中标签的值，其名称在 tag_names 中指定。

tag_names 的默认值将 estimator 中的所有标签写入 self。

当前标签值可以通过 get_tags 或 get_tag 检查。

参数:

estimatorBaseObject 或派生类的实例
tag_namesstr or list of str, default = None: 要克隆的标签名称。默认值 (None) 克隆来自 estimator 的所有标签。

返回值:

self: 对 self 的引用。

classmethod create_test_instance(parameter_set='default')[source]#

使用第一个测试参数集构造类的实例。

参数:

parameter_setstr, default=”default”: 要返回的测试参数集的名称，用于测试。如果某个值未定义特殊参数，则将返回 “default” 集。

返回值:

instance具有默认参数的类的实例

classmethod create_test_instances_and_names(parameter_set='default')[source]#

创建所有测试实例列表及其名称列表。

参数:

parameter_setstr, default=”default”: 要返回的测试参数集的名称，用于测试。如果某个值未定义特殊参数，则将返回 “default” 集。

返回值:

objscls 的实例列表: 第 i 个实例是 cls(**cls.get_test_params()[i])
namesstr 列表，与 objs 长度相同: 第 i 个元素是测试中 obj 的第 i 个实例的名称。如果有多于一个实例，命名约定为 {cls.__name__}-{i}，否则为 {cls.__name__}

property cutoff[source]#

截止点 = 预测器的“当前时间”状态。

返回值:

cutoffpandas 兼容的索引元素，或 None: pandas 兼容的索引元素，如果已设置截止点；否则为 None

property fh[source]#: 已传递的预测范围。

fit(y, X=None, fh=None)[source]#

将预测器拟合到训练数据。

状态更改: 将状态更改为“已拟合”。

写入 self

设置以 “_” 结尾的已拟合模型属性，已拟合属性可通过 get_fitted_params 检查。

将 self.is_fitted 标志设置为 True。

将 self.cutoff 设置为在 y 中看到的最后一个索引。

如果传递了 fh，则将其存储到 self.fh。

参数:

ysktime 兼容数据容器格式的时间序列。

用于拟合预测器的时间序列。

sktime 中的个体数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象的 scitype。

Series scitype = 单个时间序列，普通预测。pd.DataFrame、pd.Series 或 np.ndarray (1D 或 2D)
Panel scitype = 时间序列集合，全局/面板预测。带有 2 级行 MultiIndex ((instance, time)) 的 pd.DataFrame、3D np.ndarray ((instance, variable, time)) 或 Series 类型的 pd.DataFrame 列表
Hierarchical scitype = 分层集合，用于分层预测。带有 3 级或更多级行 MultiIndex ((hierarchy_1, ..., hierarchy_n, time)) 的 pd.DataFrame

有关数据格式的更多详细信息，请参阅 mtype 词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb。

fhint, list, pd.Index coercible, or ForecastingHorizon, default=None

编码要预测的时间戳的预测范围。如果 self.get_tag("requires-fh-in-fit") 为 True，则必须在 fit 中传递，不是可选的。

Xsktime 兼容格式的时间序列，可选（默认为 None）。

用于拟合模型的外生时间序列。应与 y 具有相同的 scitype（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 y.index。

返回值:

self对 self 的引用。

fit_predict(y, X=None, fh=None, X_pred=None)[source]#

拟合时间序列并在未来范围进行预测。

与 fit(y, X, fh).predict(X_pred) 相同。如果未传递 X_pred，则与 fit(y, fh, X).predict(X) 相同。

状态更改: 将状态更改为“已拟合”。

写入 self

设置以 “_” 结尾的已拟合模型属性，已拟合属性可通过 get_fitted_params 检查。

将 self.is_fitted 标志设置为 True。

将 self.cutoff 设置为在 y 中看到的最后一个索引。

将 fh 存储到 self.fh。

参数:

ysktime 兼容数据容器格式的时间序列

用于拟合预测器的时间序列。

sktime 中的个体数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象的 scitype。

Series scitype = 单个时间序列，普通预测。pd.DataFrame、pd.Series 或 np.ndarray (1D 或 2D)
Panel scitype = 时间序列集合，全局/面板预测。带有 2 级行 MultiIndex ((instance, time)) 的 pd.DataFrame、3D np.ndarray ((instance, variable, time)) 或 Series 类型的 pd.DataFrame 列表
Hierarchical scitype = 分层集合，用于分层预测。带有 3 级或更多级行 MultiIndex ((hierarchy_1, ..., hierarchy_n, time)) 的 pd.DataFrame

有关数据格式的更多详细信息，请参阅 mtype 词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb。

fhint, list, pd.Index coercible, or ForecastingHorizon（非可选）

编码要预测的时间戳的预测范围。

如果 fh 不为 None 且不是 ForecastingHorizon 类型，则通过调用 _check_fh 将其强制转换为 ForecastingHorizon。特别是，如果 fh 是 pd.Index 类型，则通过 ForecastingHorizon(fh, is_relative=False) 将其强制转换。

Xsktime 兼容格式的时间序列，可选（默认为 None）。

用于拟合模型的外生时间序列。应与 y 具有相同的 scitype（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 y.index。

X_predsktime 兼容格式的时间序列，可选（默认为 None）

用于预测的外生时间序列。如果传递，将在 predict 中使用，而不是 X。应与 fit 中的 y 具有相同的 scitype（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 索引引用。

返回值:

y_predsktime 兼容数据容器格式的时间序列: 在 fh 上的点预测，索引与 fh 相同。y_pred 的类型与最近传递的 y 相同：Series、Panel、Hierarchical scitype，格式相同（见上）。

classmethod get_class_tag(tag_name, tag_value_default=None)[source]#

从类中获取类标签值，包括从父类继承的标签。

每个 scikit-base 兼容对象都包含一个标签字典，用于存储有关对象的元数据。

get_class_tag 方法是一个类方法，仅考虑类级别标签值和覆盖来检索标签的值。

它从对象中返回名称为 tag_name 的标签的值，考虑标签覆盖，优先级按降序排列如下：

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按继承顺序。

不考虑实例上的动态标签覆盖，即通过 set_tags 或 clone_tags 在实例上定义的标签。

要检索可能包含实例覆盖的标签值，请改用 get_tag 方法。

参数:

tag_namestr: 标签值的名称。
tag_value_defaultany type: 如果未找到标签，则使用的默认/备用值。

返回值:

tag_value: self 中 tag_name 标签的值。如果未找到，则返回 tag_value_default。

classmethod get_class_tags()[source]#

从类中获取类标签，包括从父类继承的标签。

每个 scikit-base 兼容对象都包含一个标签字典。标签可用于存储有关对象的元数据或控制对象的行为。

标签是特定于实例 self 的键值对，它们是静态标志，在对象构造后不会更改。

get_class_tags 方法是一个类方法，仅考虑类级别标签值和覆盖来检索标签的值。

它返回一个字典，其键是类或其任何父类中设置的 _tags 任何属性的键。

值是相应的标签值，覆盖优先级按降序排列如下：

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按继承顺序。

实例可以根据超参数覆盖这些标签。

要检索可能包含实例覆盖的标签，请改用 get_tags 方法。

不考虑实例上的动态标签覆盖，即通过 set_tags 或 clone_tags 在实例上定义的标签。

要包含来自动态标签的覆盖，请使用 get_tags。

collected_tagsdict: 标签名称：标签值对的字典。通过嵌套继承从 _tags 类属性收集。不被通过 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()[source]#

获取 self 的配置标志。

配置是 self 的键值对，通常用作控制行为的瞬态标志。

get_config 返回动态配置，这些配置会覆盖默认配置。

默认配置设置在类或其父类的 _config 类属性中，并通过 set_config 设置的动态配置覆盖。

配置在 clone 或 reset 调用下保留。

返回值:

config_dictdict: 配置名称：配置值对的字典。通过嵌套继承从 _config 类属性收集，然后是来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

get_fitted_params(deep=True)[source]#

获取已拟合参数。

所需状态: 要求状态为“已拟合”。

参数:

deepbool, default=True

是否返回组件的已拟合参数。

如果为 True，将返回此对象的参数名称：值字典，包括可拟合组件的已拟合参数（= BaseEstimator 值的参数）。
如果为 False，将返回此对象的参数名称：值字典，但不包括组件的已拟合参数。

返回值:

fitted_paramsdict with str-valued keys

已拟合参数字典，paramname : paramvalue 键值对包括：

始终：此对象的所有已拟合参数，如通过 get_param_names 所述，值是该键对应的此对象的已拟合参数值。
如果 deep=True，还包含组件参数的键/值对，组件参数按 [componentname]__[paramname] 索引，componentname 的所有参数以 paramname 及其值出现。
如果 deep=True，还包含任意级别的组件递归，例如 [componentname]__[componentcomponentname]__[paramname] 等。

classmethod get_param_defaults()[source]#

获取对象的参数默认值。

返回值:

default_dict: dict[str, Any]: 键是 cls 中在 __init__ 中定义了默认值的所有参数。值是默认值，如 __init__ 中定义。

classmethod get_param_names(sort=True)[source]#

获取对象的参数名称。

参数:

sortbool, default=True: 是否按字母顺序（True）或按它们在类 __init__ 中出现的顺序（False）返回参数名称。

返回值:

param_names: list[str]: cls 的参数名称列表。如果 sort=False，则按它们在类 __init__ 中出现的顺序；如果 sort=True，则按字母顺序排序。

get_params(deep=True)[source]#

获取此对象的参数值字典。

参数:

deepbool, default=True

是否返回组件的参数。

如果为 True，将返回此对象的参数名称：值 dict，包括组件的参数（= BaseObject 值的参数）。
如果为 False，将返回此对象的参数名称：值 dict，但不包括组件的参数。

返回值:

paramsdict with str-valued keys

参数字典，paramname : paramvalue 键值对包括：

始终：此对象的所有参数，如通过 get_param_names 所述，值是该键对应的此对象的参数值，值始终与构造时传递的值相同。
如果 deep=True，还包含组件参数的键/值对，组件参数按 [componentname]__[paramname] 索引，componentname 的所有参数以 paramname 及其值出现。
如果 deep=True，还包含任意级别的组件递归，例如 [componentname]__[componentcomponentname]__[paramname] 等。

get_tag(tag_name, tag_value_default=None, raise_error=True)[source]#

从实例获取标签值，包括标签级别继承和覆盖。

每个 scikit-base 兼容对象都包含一个标签字典。标签可用于存储有关对象的元数据或控制对象的行为。

标签是特定于实例 self 的键值对，它们是静态标志，在对象构造后不会更改。

get_tag 方法从实例中检索名称为 tag_name 的单个标签的值，考虑标签覆盖，优先级按降序排列如下：

在实例上通过 set_tags 或 clone_tags 设置的标签，

在实例构造时。

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按继承顺序。

参数:

tag_namestr: 要检索的标签名称
tag_value_default任意类型，可选；默认为 None: 如果未找到标签，则使用的默认/备用值
raise_errorbool: 未找到标签时是否引发 ValueError。

返回值:

tag_valueAny: self 中 tag_name 标签的值。如果未找到，且 raise_error 为 True，则引发错误，否则返回 tag_value_default。

引发:

ValueError, 如果 raise_error 为 True。: 如果 tag_name 不在 self.get_tags().keys() 中，则引发 ValueError。

get_tags()[source]#

从实例获取标签，包括标签级别继承和覆盖。

每个 scikit-base 兼容对象都包含一个标签字典。标签可用于存储有关对象的元数据或控制对象的行为。

标签是特定于实例 self 的键值对，它们是静态标志，在对象构造后不会更改。

方法 get_tags 返回一个标签字典，其键是类中或其任何父类中设置的任何属性 _tags 的键，或是通过 set_tags 或 clone_tags 设置的标签。

值是相应的标签值，覆盖优先级按降序排列如下：

在实例上通过 set_tags 或 clone_tags 设置的标签，

在实例构造时。

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按继承顺序。

返回值:

collected_tagsdict: 标签名称：标签值对的字典。从 _tags 类属性通过嵌套继承收集，然后从 _tags_dynamic 对象属性收集任何覆盖和新标签。

is_composite()[source]#

检查对象是否由其他 BaseObject 组成。

组合对象是包含其他对象作为参数的对象。在实例上调用，因为这可能因实例而异。

返回值:

composite: bool: 对象是否具有任何其值是 BaseObject 后代实例的参数。

property is_fitted[source]#

是否已调用 fit 方法。

检查对象的 _is_fitted` 属性，该属性在对象构造期间应初始化为 ``False，并在调用对象的 fit 方法时设置为 True。

返回值:

bool: 估计器是否已 fit。

classmethod load_from_path(serial)[source]#

从文件位置加载对象。

参数:

serialZipFile(path).open(“object) 的结果

返回值:

反序列化的 self，结果输出到 path，来自 cls.save(path)

classmethod load_from_serial(serial)[source]#

从序列化内存容器加载对象。

参数:

serialcls.save(None) 输出的第一个元素

返回值:

反序列化的 self，结果输出 serial，来自 cls.save(None)

predict(fh=None, X=None)[source]#

在未来范围预测时间序列。

所需状态: 要求状态为“已拟合”，即 self.is_fitted=True。

访问 self 中的

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self: 如果 fh 被传入且之前未被传入，则将 fh 存储到 self.fh。

参数:

fhint, list, pd.Index coercible, or ForecastingHorizon, default=None

预测时点的时间戳编码的预测 horizon。如果已在 fit 中传入，则不应再次传入。如果未在 fit 中传入，则必须传入，非可选。

如果 fh 不为 None 且不是 ForecastingHorizon 类型，则通过调用 _check_fh 将其强制转换为 ForecastingHorizon。特别是，如果 fh 是 pd.Index 类型，则通过 ForecastingHorizon(fh, is_relative=False) 将其强制转换。

Xsktime 兼容格式的时间序列，可选 (default=None)

用于预测的外生时间序列。应与 fit 中的 y 具有相同的 scitype (Series, Panel, 或 Hierarchical)。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 索引参考。

返回值:

y_predsktime 兼容数据容器格式的时间序列: 在 fh 上的点预测，索引与 fh 相同。y_pred 的类型与最近传递的 y 相同：Series、Panel、Hierarchical scitype，格式相同（见上）。

predict_interval(fh=None, X=None, coverage=0.9)[source]#

计算/返回预测区间预测。

如果 coverage 是可迭代的，将计算多个区间。

所需状态: 要求状态为“已拟合”，即 self.is_fitted=True。

访问 self 中的

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self: 如果 fh 被传入且之前未被传入，则将 fh 存储到 self.fh。

参数:

fhint, list, pd.Index coercible, or ForecastingHorizon, default=None

预测时点的时间戳编码的预测 horizon。如果已在 fit 中传入，则不应再次传入。如果未在 fit 中传入，则必须传入，非可选。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则在内部会被强制转换为 ForecastingHorizon (通过 _check_fh)。

如果 fh 是 int 或 int 的 array-like，则被解释为相对 horizon，并被强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则被解释为绝对 horizon，并被强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选 (default=None)

用于预测的外生时间序列。应与 fit 中的 y 具有相同的 scitype (Series, Panel, 或 Hierarchical)。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 索引参考。

coveragefloat 或唯一值的 float 列表，可选 (default=0.90)

预测区间(s) 的名义覆盖率

返回值:

pred_intpd.DataFrame

列具有多重索引：第一层是在 fit 中 y 的变量名，

第二层是计算区间的覆盖率分数。: 顺序与输入 coverage 中的顺序相同。

第三层是字符串“lower”或“upper”，表示区间的下限/上限。

行索引是 fh，附加（上方）层次等于实例层次，

来自 fit 中看到的 y，如果 fit 中看到的 y 是 Panel 或 Hierarchical。

条目是区间下限/上限的预测，

对于 col 索引中的变量，在第二 col 索引的名义覆盖率下，取决于第三 col 索引是 lower/upper，对于行索引。区间上限/下限预测等同于对于 coverage 中的 c，在 alpha = 0.5 - c/2, 0.5 + c/2 处的分位数预测。

predict_proba(fh=None, X=None, marginal=True)[source]#

计算/返回完全概率预测。

注意

目前仅针对 Series (非 Panel, 非 Hierarchical) y 实现。
返回的分布对象需要安装 skpro。

所需状态: 要求状态为“已拟合”，即 self.is_fitted=True。

访问 self 中的

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self: 如果 fh 被传入且之前未被传入，则将 fh 存储到 self.fh。

参数:

fhint, list, pd.Index coercible, or ForecastingHorizon, default=None

预测时点的时间戳编码的预测 horizon。如果已在 fit 中传入，则不应再次传入。如果未在 fit 中传入，则必须传入，非可选。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则在内部会被强制转换为 ForecastingHorizon (通过 _check_fh)。

如果 fh 是 int 或 int 的 array-like，则被解释为相对 horizon，并被强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则被解释为绝对 horizon，并被强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选 (default=None)

用于预测的外生时间序列。应与 fit 中的 y 具有相同的 scitype (Series, Panel, 或 Hierarchical)。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 索引参考。

marginalbool, 可选 (default=True)

返回的分布是否按时间索引是边缘分布

返回值:

pred_distskpro BaseDistribution: 如果 marginal=True，则为预测分布，如果 marginal=False 且方法已实现，则为按时间点的边缘分布，否则为联合分布

predict_quantiles(fh=None, X=None, alpha=None)[source]#

计算/返回分位数预测。

如果 alpha 是可迭代的，将计算多个分位数。

所需状态: 要求状态为“已拟合”，即 self.is_fitted=True。

访问 self 中的

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self: 如果 fh 被传入且之前未被传入，则将 fh 存储到 self.fh。

参数:

fhint, list, pd.Index coercible, or ForecastingHorizon, default=None

预测时点的时间戳编码的预测 horizon。如果已在 fit 中传入，则不应再次传入。如果未在 fit 中传入，则必须传入，非可选。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则在内部会被强制转换为 ForecastingHorizon (通过 _check_fh)。

如果 fh 是 int 或 int 的 array-like，则被解释为相对 horizon，并被强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则被解释为绝对 horizon，并被强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选 (default=None)

用于预测的外生时间序列。应与 fit 中的 y 具有相同的 scitype (Series, Panel, 或 Hierarchical)。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 索引参考。

alphafloat 或唯一值的 float 列表，可选 (default=[0.05, 0.95])

计算分位数预测的概率或概率列表。

返回值:

quantilespd.DataFrame

列具有多重索引：第一层是在 fit 中 y 的变量名，: 第二层是传递给函数的 alpha 值。
行索引是 fh，附加（上方）层次等于实例层次，: 来自 fit 中看到的 y，如果 fit 中看到的 y 是 Panel 或 Hierarchical。
条目是分位数预测，用于 col 索引中的变量，: 在第二 col 索引中的分位数概率下，用于行索引。

predict_residuals(y=None, X=None)[source]#

返回时间序列预测的残差。

将针对 y.index 处的预测计算残差。

如果在 fit 中必须传递 fh，则必须与 y.index 一致。如果 y 是 np.ndarray，并且在 fit 中没有传递 fh，则残差将计算在 range(len(y.shape[0])) 的 fh 处。

所需状态: 要求状态为“已拟合”。如果已设置 fh，则必须与 y 的索引（pandas 或整数）对应。
访问 self 中的: 以“_”结尾的已拟合模型属性。self.cutoff, self._is_fitted
写入 self: 无。

参数:

ysktime 兼容数据容器格式的时间序列

具有真实观测值的时间序列，用于计算残差。必须与 predict 的预期返回具有相同的类型、维度和索引。

如果为 None，则使用目前已见的 y (self._y)，特别是

如果之前只调用了一次 fit，则会产生内样本残差
如果 fit 需要 fh，则它必须指向 fit 中 y 的索引

Xsktime 兼容格式的时间序列，可选 (default=None)

用于更新和预测的外生时间序列。应与 fit 中的 y 具有相同的 scitype (Series, Panel, 或 Hierarchical)。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须同时包含 fh 索引参考和 y.index。

返回值:

y_ressktime 兼容数据容器格式的时间序列: fh 处的预测残差，具有与 fh 相同的索引。y_res 具有与最近传入的 y 相同的类型：Series, Panel, Hierarchical scitype，格式相同（见上文）

predict_var(fh=None, X=None, cov=False)[source]#

计算/返回方差预测。

所需状态: 要求状态为“已拟合”，即 self.is_fitted=True。

访问 self 中的

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self: 如果 fh 被传入且之前未被传入，则将 fh 存储到 self.fh。

参数:

fhint, list, pd.Index coercible, or ForecastingHorizon, default=None

预测时点的时间戳编码的预测 horizon。如果已在 fit 中传入，则不应再次传入。如果未在 fit 中传入，则必须传入，非可选。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则在内部会被强制转换为 ForecastingHorizon (通过 _check_fh)。

如果 fh 是 int 或 int 的 array-like，则被解释为相对 horizon，并被强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则被解释为绝对 horizon，并被强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选 (default=None)

用于预测的外生时间序列。应与 fit 中的 y 具有相同的 scitype (Series, Panel, 或 Hierarchical)。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 索引参考。

covbool, 可选 (default=False)

如果为 True，计算协方差矩阵预测。如果为 False，计算边缘方差预测。

返回值:

pred_varpd.DataFrame，格式取决于 cov 变量

如果 cov=False

列名与 fit/update 中传递的 y 的列名完全相同。: 对于无名称的格式，列索引将是 RangeIndex。
行索引是 fh，附加层次等于实例层次，: 来自 fit 中看到的 y，如果 fit 中看到的 y 是 Panel 或 Hierarchical。

条目是方差预测，用于 col 索引中的变量。

给定变量和 fh 索引的方差预测是给定观测数据下该变量和索引的预测方差。

如果 cov=True

列索引是多重索引：第一层是变量名（如上）: 第二层是 fh。
行索引是 fh，附加层次等于实例层次，: 来自 fit 中看到的 y，如果 fit 中看到的 y 是 Panel 或 Hierarchical。
条目是（协）方差预测，用于 col 索引中的变量，以及: 行和列中的时间索引之间的协方差。

注意：不同变量之间不返回协方差预测。

reset()[source]#

将对象重置为干净的初始化后状态。

结果是将 self 设置为构造函数调用后立即拥有的状态，具有相同的超参数。通过 set_config 设置的配置值也会被保留。

一次 reset 调用会删除任何对象属性，除了

超参数 = __init__ 的参数，写入到 self，例如 self.paramname，其中 paramname 是 __init__ 的参数
包含双下划线的对象属性，即字符串“__”。例如，名为“__myattr”的属性会被保留。
配置属性，配置不变地保留。也就是说，reset 前后的 get_config 结果相等。

类和对象方法，以及类属性也不受影响。

等同于 clone，除了 reset 修改 self 而不是返回新对象。

在调用 self.reset() 后，self 的值和状态与通过构造函数调用 ``type(self)(**self.get_params(deep=False))`` 获取的对象相等。

返回值:

self: 类实例重置为初始状态后的干净状态，但保留当前的超参数值。

save(path=None, serialization_format='pickle')[source]#

将序列化的 self 保存到字节类对象或 (.zip) 文件。

行为：如果 path 为 None，则返回内存中的序列化 self；如果 path 是文件位置，则将 self 作为 zip 文件存储在该位置

保存的文件是 zip 文件，包含以下内容： _metadata - 包含 self 的类，即 type(self) _obj - 序列化的 self。此类使用默认序列化 (pickle)。

参数:

pathNone 或文件位置 (str 或 Path)

如果为 None，self 保存到内存对象；如果为文件位置，self 保存到该文件位置。如果

path=”estimator”，则将在当前工作目录创建 zip 文件 estimator.zip。
path=”/home/stored/estimator”，则 zip 文件 estimator.zip 将

存储在 /home/stored/ 中。

serialization_format: str, default = “pickle”

用于序列化的模块。可用选项有“pickle”和“cloudpickle”。请注意，非默认格式可能需要安装其他软依赖项。

返回值:

如果 path 为 None - 内存中的序列化 self
如果 path 是文件位置 - 引用该文件的 ZipFile

score(y, X=None, fh=None)[source]#

使用 MAPE（非对称）对预测结果与真实值进行评分。

参数:

ypd.Series, pd.DataFrame, 或 np.ndarray (1D 或 2D): 要评分的时间序列
fhint, list, pd.Index coercible, or ForecastingHorizon, default=None: 编码要预测的时间戳的预测范围。
Xpd.DataFrame, 或 2D np.array, 可选 (default=None): 要评分的外生时间序列。如果 self.get_tag(“X-y-must-have-same-index”) 为 True，则 X.index 必须包含 y.index

返回值:

scorefloat: self.predict(fh, X) 相对于 y_test 的 MAPE 损失。

另请参见

sktime.performance_metrics.forecasting.mean_absolute_percentage_error

set_config(**config_dict)[source]#

将配置标志设置为给定值。

参数:

config_dictdict

配置名称：配置值对的字典。下方列出了有效的配置、值及其含义

displaystr, “diagram” (default), 或 “text”

jupyter 内核如何显示 self 的实例

“diagram” = html 框图表示
“text” = 字符串打印输出

print_changed_onlybool, default=True

打印 self 时，是仅列出与默认值不同的 self 参数 (False)，还是列出所有参数名称和值 (False)。不嵌套，即仅影响 self 而不影响组件估计器。

warningsstr, “on” (default), 或 “off”

是否发出警告，仅影响来自 sktime 的警告

“on” = 将发出来自 sktime 的警告
“off” = 将不发出来自 sktime 的警告

backend:parallelstr, 可选, default=”None”

广播/向量化时用于并行的后端，选项之一

“None”: 顺序执行循环，简单的列表推导式
“loky”, “multiprocessing” 和 “threading”: 使用 joblib.Parallel
“joblib”: 自定义和第三方 joblib 后端，例如 spark
“dask”: 使用 dask，需要环境中有 dask 包
“ray”: 使用 ray，需要环境中有 ray 包

backend:parallel:paramsdict, 可选, default={} (未传递参数)

作为配置传递给并行后端的附加参数。有效键取决于 backend:parallel 的值

“None”: 无附加参数，backend_params 被忽略
“loky”, “multiprocessing” 和 “threading”: 默认 joblib 后端，任何 joblib.Parallel 的有效键都可以传递到此处，例如 n_jobs，除了 backend 由 backend 直接控制。如果未传递 n_jobs，则默认为 -1，其他参数默认为 joblib 默认值。
“joblib”: 自定义和第三方 joblib 后端，例如 spark。任何 joblib.Parallel 的有效键都可以传递到此处，例如 n_jobs，在此情况下必须将 backend 作为 backend_params 的键传递。如果未传递 n_jobs，则默认为 -1，其他参数默认为 joblib 默认值。
“dask”: 任何 dask.compute 的有效键都可以传递，例如 scheduler
“ray”: 可以传递以下键
- “ray_remote_args”: ray.init 的有效键字典
- “shutdown_ray”: bool, default=True; False 会阻止 ray 在并行化后
  关闭。
- “logger_name”: str, default=”ray”; 要使用的日志器名称。
- “mute_warnings”: bool, default=False; 如果为 True，则抑制警告

remember_databool, default=True

在 fit 中是否存储 self._X 和 self._y，并在 update 中更新。如果为 True，则存储和更新 self._X 和 self._y。如果为 False，则不存储和更新 self._X 和 self._y。这会减少使用 save 时的序列化大小，但 update 将默认为“不执行任何操作”，而不是“重新拟合到所有已见数据”。

返回值:

self对 self 的引用。

注意

改变对象状态，将 config_dict 中的配置复制到 self._config_dynamic。

set_params(**params)[source]#

设置此对象的参数。

此方法适用于简单的 skbase 对象和组合对象。参数键字符串 <component>__<parameter> 可用于组合对象（即包含其他对象的对象），以访问组件 <component> 中的 <parameter>。字符串 <parameter>（不带 <component>__）也可用于引用明确的情况，例如组件中没有两个参数名称都为 <parameter>。

参数:

**paramsdict: BaseObject 参数，键必须是 <component>__<parameter> 字符串。__ 后缀可以作为完整字符串的别名，如果它们在 get_params 键中是唯一的。

返回值:

self对 self 的引用（设置参数后）

set_random_state(random_state=None, deep=True, self_policy='copy')[source]#

为 self 设置 random_state 伪随机种子参数。

通过 self.get_params 查找名为 random_state 的参数，并通过 set_params 将它们设置为通过 sample_dependent_seed 从 random_state 派生的整数。这些整数从链式哈希中采样，保证种子随机生成器的伪随机独立性。

根据 self_policy，应用于 self 中的 random_state 参数，并且当且仅当 deep=True 时应用于剩余的组件对象。

注意：即使 self 没有 random_state 参数，或者任何组件都没有 random_state 参数，也会调用 set_params。因此，set_random_state 将重置任何 scikit-base 对象，即使是那些没有 random_state 参数的对象。

参数:

random_stateint, RandomState 实例或 None, default=None

伪随机数生成器，用于控制随机整数的生成。传入 int 可在多次函数调用中获得可重现的输出。

deepbool, default=True

是否在 skbase 对象值的参数（即组件估计器）中设置 random state。

如果为 False，则仅设置 self 的 random_state 参数（如果存在）。
如果为 True，则同时设置组件对象中的 random_state 参数。

self_policystr, {“copy”, “keep”, “new”} 之一, default=”copy”

“copy” : self.random_state 设置为输入的 random_state
“keep” : self.random_state 保持不变
“new” : self.random_state 设置为一个新的 random state，

从输入的 random_state 派生，并且通常与之不同

返回值:

self对 self 的引用

set_tags(**tag_dict)[source]#

将实例级别标签覆盖设置为给定值。

每个 scikit-base 兼容对象都包含一个标签字典，用于存储有关对象的元数据。

标签是特定于实例 self 的键值对，它们是构造对象后不会改变的静态标志。它们可用于元数据检查，或用于控制对象的行为。

set_tags 将动态标签覆盖设置为 tag_dict 中指定的值，其中键是标签名称，字典值是要设置的标签值。

set_tags 方法应仅在对象的 __init__ 方法中，在构造期间调用，或在通过 __init__ 构造后直接调用。

当前标签值可以通过 get_tags 或 get_tag 检查。

参数:

**tag_dictdict: 标签名称：标签值对的字典。

返回值:

Self: 对 self 的引用。

update(y, X=None, update_params=True)[source]#

更新截止点值，并可选地更新已拟合参数。

如果未实现特定于估计器的 update 方法，则默认回退如下

update_params=True: 拟合到目前所有观测到的数据

update_params=False: 仅更新 cutoff 并记住数据

所需状态: 要求状态为“已拟合”，即 self.is_fitted=True。

访问 self 中的

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self

将 self.cutoff 更新为 y 中看到的最新索引。

如果 update_params=True，则更新以“_”结尾的已拟合模型属性。

参数:

ysktime 兼容数据容器格式的时间序列。

用于更新预测器的时间序列。

sktime 中的个体数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象的 scitype。

Series scitype = 单个时间序列，普通预测。pd.DataFrame、pd.Series 或 np.ndarray (1D 或 2D)
Panel scitype = 时间序列集合，全局/面板预测。带有 2 级行 MultiIndex ((instance, time)) 的 pd.DataFrame、3D np.ndarray ((instance, variable, time)) 或 Series 类型的 pd.DataFrame 列表
Hierarchical scitype = 分层集合，用于分层预测。带有 3 级或更多级行 MultiIndex ((hierarchy_1, ..., hierarchy_n, time)) 的 pd.DataFrame

有关数据格式的更多详细信息，请参阅 mtype 词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb。

Xsktime 兼容格式的时间序列，可选（默认为 None）。

用于更新模型拟合的外生时间序列。应与 y 具有相同的 scitype (Series, Panel, 或 Hierarchical)。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 y.index。

update_paramsbool, 可选 (default=True)

是否应更新模型参数。如果为 False，仅更新 cutoff，模型参数（例如系数）不更新。

返回值:

self对 self 的引用

update_predict(y, cv=None, X=None, update_params=True, reset_forecaster=True)[source]#

在测试集上迭代进行预测并更新模型。

用于执行多次 update / predict 链式执行的简写，数据回放基于时间分割器 cv。

与以下代码相同（如果仅 y, cv 非默认）

self.update(y=cv.split_series(y)[0][0])
记住 self.predict() （稍后批量返回）
self.update(y=cv.split_series(y)[1][0])
记住 self.predict() （稍后批量返回）
等等
返回所有记住的预测

如果未实现特定于估计器的 update 方法，则默认回退如下

update_params=True: 拟合到目前所有观测到的数据

update_params=False: 仅更新 cutoff 并记住数据

所需状态: 要求状态为“已拟合”，即 self.is_fitted=True。

访问 self 中的

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self（除非 reset_forecaster=True）

将 self.cutoff 更新为 y 中看到的最新索引。
如果 update_params=True，则更新以“_”结尾的已拟合模型属性。

如果 reset_forecaster=True，则不更新状态。

参数:

ysktime 兼容数据容器格式的时间序列。

用于更新预测器的时间序列。

sktime 中的个体数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象的 scitype。

Series scitype = 单个时间序列，普通预测。pd.DataFrame、pd.Series 或 np.ndarray (1D 或 2D)
Panel scitype = 时间序列集合，全局/面板预测。带有 2 级行 MultiIndex ((instance, time)) 的 pd.DataFrame、3D np.ndarray ((instance, variable, time)) 或 Series 类型的 pd.DataFrame 列表
Hierarchical scitype = 分层集合，用于分层预测。带有 3 级或更多级行 MultiIndex ((hierarchy_1, ..., hierarchy_n, time)) 的 pd.DataFrame

有关数据格式的更多详细信息，请参阅 mtype 词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb。

cv继承自 BaseSplitter 的时间交叉验证生成器，可选

例如，SlidingWindowSplitter 或 ExpandingWindowSplitter；默认 = initial_window=1 的 ExpandingWindowSplitter 和默认值 = y/X 中的单个数据点逐个添加和预测，initial_window = 1，step_length = 1 且 fh = 1

Xsktime 兼容格式的时间序列，可选 (default=None)

用于更新和预测的外生时间序列。应与 fit 中的 y 具有相同的 scitype (Series, Panel, 或 Hierarchical)。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 索引参考。

update_paramsbool, 可选 (default=True)

是否应更新模型参数。如果为 False，仅更新 cutoff，模型参数（例如系数）不更新。

reset_forecasterbool, 可选 (default=True)

如果为 True，则不会改变预测器的状态，即 update/predict 序列使用副本运行，并且 self 的 cutoff、模型参数、数据内存不变
如果为 False，则在 update/predict 序列运行时更新 self，就像直接调用 update/predict 一样

返回值:

y_pred汇总来自多个分割批次的点预测的对象

格式取决于（cutoff，绝对 horizon）对的总体预测

如果绝对 horizon 点的集合是唯一的：类型是 sktime 兼容数据容器格式的时间序列，输出中省略 cutoff，类型与最近传入的 y 相同：Series, Panel, Hierarchical scitype，格式相同（见上文）
如果绝对 horizon 点的集合不唯一：类型是 pandas DataFrame，行和列索引为时间戳，行索引对应预测时的 cutoff，列索引对应预测的绝对 horizon，条目是根据行索引预测的列索引的点预测，如果在该 (cutoff, horizon) 对没有预测，则条目为 nan。

update_predict_single(y=None, fh=None, X=None, update_params=True)[source]#

使用新数据更新模型并进行预测。

此方法用于一步完成更新和预测。

如果未实现特定于估计器的 update 方法，则默认回退为先 update，然后 predict。

所需状态: 要求状态为“已拟合”。
访问 self 中的: 以“_”结尾的已拟合模型属性。指向已见数据的指针，self._y 和 self.X self.cutoff, self._is_fitted 如果 update_params=True，则更新以“_”结尾的模型属性。
写入 self: 通过追加行来更新 self._y 和 self._X，使用 y 和 X。将 self.cutoff 和 self._cutoff 更新为 y 中看到的最后一个索引。如果 update_params=True，

更新以“_”结尾的已拟合模型属性。

参数:

ysktime 兼容数据容器格式的时间序列。

用于更新预测器的时间序列。

sktime 中的个体数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象的 scitype。

Series scitype = 单个时间序列，普通预测。pd.DataFrame、pd.Series 或 np.ndarray (1D 或 2D)
Panel scitype = 时间序列集合，全局/面板预测。带有 2 级行 MultiIndex ((instance, time)) 的 pd.DataFrame、3D np.ndarray ((instance, variable, time)) 或 Series 类型的 pd.DataFrame 列表
Hierarchical scitype = 分层集合，用于分层预测。带有 3 级或更多级行 MultiIndex ((hierarchy_1, ..., hierarchy_n, time)) 的 pd.DataFrame

有关数据格式的更多详细信息，请参阅 mtype 词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb。

fhint, list, pd.Index coercible, or ForecastingHorizon, default=None

预测时点的时间戳编码的预测 horizon。如果已在 fit 中传入，则不应再次传入。如果未在 fit 中传入，则必须传入，非可选。

Xsktime 兼容格式的时间序列，可选 (default=None)

用于更新和预测的外生时间序列。应与 fit 中的 y 具有相同的 scitype (Series, Panel, 或 Hierarchical)。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 索引参考。

update_paramsbool, 可选 (default=True)

是否应更新模型参数。如果为 False，仅更新 cutoff，模型参数（例如系数）不更新。

返回值:

y_predsktime 兼容数据容器格式的时间序列: 在 fh 上的点预测，索引与 fh 相同。y_pred 的类型与最近传递的 y 相同：Series、Panel、Hierarchical scitype，格式相同（见上）。