DirectReductionForecaster

class DirectReductionForecaster(estimator, window_length=10, transformers=None, X_treatment='concurrent', impute_method='bfill', pooling='local', windows_identical=False)

直接降维预测器，包括单输出、多输出、外生变量Direct。

实现直接降维，将预测任务转换为表格回归任务。

当没有 X 时，如果 X_treatment = "concurrent"，默认为 DirMO（直接多输出）；如果 X_treatment = "shifted"，则默认为简单直接（直接单输出）。

可以通过传入兼容 scikit-learn 的单输出转换器来配置具有并发 X 行为的直接单输出模式。

算法详情

在 fit 中，给定内生时间序列 y 以及可能存在的外生变量 X

将 estimator 拟合到如下定义的特征-标签对。

如果 X_treatment = “concurrent”

特征 = y(t), y(t-1), …, y(t-window_size)；如果提供 X，则包含 X(t+h)。 标签 = y(t+h)，对于预测范围 h 中的每个 h，遍历所有已观察到上述特征（即存在于索引中）的 t （每个 h 分别拟合一个评估器）

如果 X_treatment = “shifted”

特征 = y(t), y(t-1), …, y(t-window_size)；如果提供 X，则包含 X(t)。 标签 = y(t+h_1), …, y(t+h_k)，对于预测范围 h_j 中的所有 h_j，遍历所有已观察到上述特征（即存在于索引中）的 t。 评估器被拟合为一个多输出评估器（同时预测所有 h_j）

在 predict 中，给定可能存在的外生变量 X，在截断时间 c，如果 X_treatment = “concurrent”

将拟合好的评估器的预测应用于特征 = y(c), y(c-1), …, y(c-window_size)，如果提供 X，则包含 X(c+h)，以获取预测范围 h 中每个 h 对应的 y(c+h) 预测值

如果 X_treatment = “shifted”

将拟合好的评估器的预测应用于特征 = y(c), y(c-1), …, y(c-window_size)，如果提供 X，则包含 X(c)，以获取预测范围 h_j 中 y(c+h_1), …, y(c+h_k) 的预测值

参数:

estimatorsklearn 回归器，必须兼容 sklearn 接口

降维算法中使用的表格回归算法

window_lengthint，可选，默认为 10

降维算法中使用的窗口长度

transformers当前未使用

X_treatmentstr，可选，可以是 “concurrent”（默认）或 “shifted” 之一

确定用于预测 y(t+h) 的 X 的时间戳，对于范围 h “concurrent”: y(t+h) 根据滞后的 y 和 X(t+h) 预测，适用于 fh 中的所有 h

特别地，如果未指定 y 的滞后项，y(t+h) 将根据 X(t) 预测

“shifted”: y(t+h) 根据滞后的 y 和 X(t) 预测，适用于 fh 中的所有 h

特别地，如果未指定 y 的滞后项，y(t+h) 将根据 X(t+h) 预测

impute_methodstr, None，或 sktime 转换器，可选

用于填充滞后数据中缺失值的方法

• 默认=”bfill”

• 如果为 str，允许的字符串是 Imputer.method 参数的值，详见此处。要传递更多参数，可以直接传入 Imputer 转换器，如下所述。

• 如果为 sktime 转换器，此转换器将应用于滞后数据。这需要是一个能够移除缺失数据的转换器，并且可以是 Imputer。

• 如果为 None，则在应用 Lag 转换器时不进行填充

poolingstr，可以是 [“local”, “global”, “panel”] 之一，可选，默认为 “local”

用于池化数据以拟合监督回归模型的级别。“local” = 单元/实例级别，每个最低层级一个降维模型。“global” = 顶层，忽略层级，在池化数据上总体一个降维模型。“panel” = 倒数第二层级，每个面板级别 (-2) 一个降维模型；如果只有 2 层或更少层级，“global” 和 “panel” 结果相同；如果只有 1 层级（单个时间序列），则所有三个设置一致。

windows_identicalbool，可选，默认为 False

指定所有直接模型是使用相同数量的观测值还是不同数量的观测值。

• True : 统一窗口长度为（总观测值 - 最大预测范围）。注意：当前，由于 ReductionTransformer 中的反向填充，窗口长度不会导致缺失值。如果不进行填充，窗口大小对应于（总观测值 + 1 - window_length + 最大预测范围）。

• False : 每个预测范围的窗口大小不同。窗口长度对应于（总观测值 + 1 - window_length + 预测范围）。

属性:

cutoff (截断点)

截断点 = 预测器的“当前时间”状态。

fh (预测范围)

传入的预测范围。

is_fitted (是否已拟合)

是否已调用 fit。

方法

check_is_fitted([method_name])	检查评估器是否已拟合。
clone (克隆)()	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])	拟合并预测未来范围的时间序列。
get_class_tag(tag_name[, tag_value_default])	从类中获取类标签值，考虑来自父类的标签继承。
get_class_tags (获取类标签)()	从类中获取类标签，考虑来自父类的标签继承。
get_config (获取配置)()	获取对象的配置标志。
get_fitted_params([deep])	获取已拟合参数。
get_param_defaults (获取默认参数)()	获取对象的默认参数。
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，考虑标签层级继承和覆盖。
get_tags (获取标签)()	从实例获取标签，考虑标签层级继承和覆盖。
get_test_params([parameter_set])	返回评估器的测试参数设置。
is_composite (是否为组合对象)()	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)	从序列化的内存容器加载对象。
predict([fh, X])	预测未来范围的时间序列。
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 (重置)()	将对象重置为干净的初始化后状态。
save([path, serialization_format])	将序列化的对象保存到字节类对象或到 (.zip) 文件。
score(y[, X, fh])	使用 MAPE（非对称）根据真实值对预测进行评分。
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, ...])	为此对象设置 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])	更新截断点值，并可选地更新拟合参数。
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])	用新数据更新模型并进行预测。

classmethod get_test_params(parameter_set='default')

返回评估器的测试参数设置。

参数:

parameter_setstr，默认为 “default”

要返回的测试参数集的名称，用于测试。如果某个值没有定义特殊参数，将返回 "default" 集。

返回:

paramsdict 或 list of dict，默认为 {}

用于创建类的测试实例的参数。每个 dict 都是构造一个“有趣”测试实例的参数，例如，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)

检查评估器是否已拟合。

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

如果不是，则引发 NotFittedError。

参数:

method_namestr，可选

调用此方法的方法的名称。如果提供，错误消息将包含此信息。

引发:

NotFittedError

如果评估器尚未拟合。

clone()

获取具有相同超参数和配置的对象的克隆。

克隆是一个不同的对象，没有共享引用，处于初始化后状态。此函数等同于返回 self 的 sklearn.clone。

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

如果在 self 上设置了配置，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())。

在值上也等同于调用 self.reset，区别在于 clone 返回一个新对象，而不是像 reset 那样改变 self。

引发:

如果克隆不符合要求，由于 __init__ 有误，则会引发 RuntimeError。

clone_tags(estimator, tag_names=None)

从另一个对象克隆标签作为动态覆盖。

每个兼容 scikit-base 的对象都有一个标签字典。标签可用于存储关于对象的元数据，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，在对象构造后不会改变。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

clone_tags 方法只能在对象的 __init__ 方法中调用，即在构造期间或通过 __init__ 构造之后立即调用。

动态标签被设置为 estimator 中标签的值，名称由 tag_names 指定。

tag_names 的默认设置是将 estimator 中的所有标签写入 self。

可以通过 get_tags 或 get_tag 查看当前标签值。

参数:

estimator:class:BaseObject 或其派生类的实例

tag_namesstr 或 list of str，默认为 None

要克隆的标签名称。默认值 (None) 克隆 estimator 中的所有标签。

返回:

self

对 self 的引用。

classmethod create_test_instance(parameter_set='default')

使用第一个测试参数集构造类的实例。

参数:

parameter_setstr，默认为 “default”

要返回的测试参数集的名称，用于测试。如果某个值没有定义特殊参数，将返回 “default” 集。

返回:

instance具有默认参数的类实例

classmethod create_test_instances_and_names(parameter_set='default')

创建所有测试实例列表及其名称列表。

参数:

parameter_setstr，默认为 “default”

要返回的测试参数集的名称，用于测试。如果某个值没有定义特殊参数，将返回 “default” 集。

返回:

objscls 实例列表

第 i 个实例是 cls(**cls.get_test_params()[i])

names字符串列表，长度与 objs 相同

第 i 个元素是测试中第 i 个 obj 实例的名称。如果实例多于一个，命名约定为 {cls.__name__}-{i}，否则为 {cls.__name__}

property cutoff

截断点 = 预测器的“当前时间”状态。

返回:

cutoffpandas 兼容的索引元素，或 None

如果已设置截止点，则为 pandas 兼容的索引元素；否则为 None

property fh

传入的预测范围。

fit(y, X=None, fh=None)

将预测器拟合到训练数据。

状态改变

状态改变为“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 查看。

• 将 self.is_fitted 标志设置为 True。

• 将 self.cutoff 设置为 y 中看到的最后一个索引。

• 如果传入 fh，则将 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，每种 mtype 实现一种抽象的 scitype。

• Series scitype = 个体时间序列，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。具有 2 级行 MultiIndex (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，或 Series 类型 pd.DataFrame 的 list

• Hierarchical scitype = 分层集合，用于分层预测。具有 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、可强制转换为 pd.Index 或 ForecastingHorizon，默认=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 中传入，非可选

Xsktime 兼容格式的时间序列，可选（默认=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")，则 X.index 必须包含 y.index。

返回:

self对 self 的引用。

fit_predict(y, X=None, fh=None, X_pred=None)

拟合并预测未来范围的时间序列。

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

状态改变

状态改变为“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 查看。

• 将 self.is_fitted 标志设置为 True。

• 将 self.cutoff 设置为 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，每种 mtype 实现一种抽象的 scitype。

• Series scitype = 个体时间序列，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。具有 2 级行 MultiIndex (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，或 Series 类型 pd.DataFrame 的 list

• Hierarchical scitype = 分层集合，用于分层预测。具有 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、可强制转换为 pd.Index 或 ForecastingHorizon（非可选）

编码要预测的时间戳的预测范围。

如果 fh 不是 None 且不是 `ForecastingHorizon` 类型，它将通过调用 _check_fh 被强制转换为 `ForecastingHorizon`。特别是，如果 fh 是 pd.Index 类型，它将通过 ForecastingHorizon(fh, is_relative=False) 被强制转换。

Xsktime 兼容格式的时间序列，可选（默认=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")，则 X.index 必须包含 y.index。

X_predsktime 兼容格式的时间序列，可选（默认=None）

用于预测的外生时间序列。如果传入，将用于预测而不是 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")，则 X.index 必须包含 fh 索引引用。

返回:

y_predsktime 兼容数据容器格式的时间序列

在 fh 处的点预测，与 fh 具有相同的索引。y_pred 与最近传入的 y 类型相同：Series、Panel、Hierarchical scitype，格式相同（见上文）

classmethod get_class_tag(tag_name, tag_value_default=None)

从类中获取类标签值，考虑来自父类的标签继承。

每个 scikit-base 兼容对象都有一个标签字典，用于存储对象的元数据。

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

它从对象返回名称为 tag_name 的标签的值，考虑标签覆盖，优先级降序如下：

1. 在类的 _tags 属性中设置的标签。

2. 在父类的 _tags 属性中设置的标签，

按继承顺序。

不考虑在实例上通过 set_tags 或 clone_tags 设置的动态标签覆盖。

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_default任意类型

如果未找到标签，则使用默认/回退值。

返回:

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()

从类中获取类标签，考虑来自父类的标签继承。

每个兼容 scikit-base 的对象都有一个标签字典。标签可用于存储关于对象的元数据，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，在对象构造后不会改变。

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

它返回一个字典，其中的键是类或其任何父类中设置的任何 _tags 属性的键。

值是相应的标签值，覆盖优先级降序如下：

1. 在类的 _tags 属性中设置的标签。

2. 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。

不考虑在实例上通过 set_tags 或 clone_tags 设置的动态标签覆盖。

要包含来自动态标签的覆盖，请使用 get_tags。

collected_tagsdict

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

get_config()

获取对象的配置标志。

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类属性 _config 中，并被通过 set_config 设置的动态配置覆盖。

配置在 clone 或 reset 调用下保留。

返回:

config_dictdict

配置名 : 配置值 对的字典。通过嵌套继承从 _config 类属性收集，然后收集来自 _config_dynamic 对象属性的任何覆盖和新标签。

get_fitted_params(deep=True)

获取已拟合参数。

所需状态

要求状态为“已拟合”。

参数:

deep布尔值，默认=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 : 值字典，包括可拟合组件（= BaseEstimator 值参数）的已拟合参数。

• 如果为 False，将返回此对象的参数名 : 值字典，但不包括组件的已拟合参数。

返回:

fitted_params键为字符串类型的字典

已拟合参数字典，参数名 : 参数值 键值对包括：

• 始终：此对象的所有已拟合参数，通过 get_param_names 获取的值是此对象的该键对应的已拟合参数值

• 如果 deep=True，还包含组件参数的键值对，组件参数索引为 [componentname]__[paramname]，componentname 的所有参数以 paramname 及其值的形式出现

• 如果 deep=True，还包含任意层级的组件递归，例如，[componentname]__[componentcomponentname]__[paramname] 等

classmethod get_param_defaults()

获取对象的参数默认值。

返回:

default_dict: dict[str, Any]

键是 cls 中在 __init__ 中定义了默认值的所有参数。值是在 __init__ 中定义的默认值。

classmethod get_param_names(sort=True)

获取对象的参数名称。

参数:

sort布尔值，默认=True

是否按字母顺序排序（True）或按它们在类 __init__ 中出现的顺序（False）返回参数名称。

返回:

param_names: list[str]

cls 的参数名称列表。如果 sort=False，则按它们在类 __init__ 中出现的顺序排列。如果 sort=True，则按字母顺序排列。

get_params(deep=True)

获取此对象的参数值字典。

参数:

deep布尔值，默认=True

是否返回组件的参数。

• 如果 True，将返回此对象的参数名 : 值 dict，包括组件（= BaseObject 值参数）的参数。

• 如果 False，将返回此对象的参数名 : 值 dict，但不包括组件的参数。

返回:

params键为字符串类型的字典

参数字典，参数名 : 参数值 键值对包括：

• 始终：此对象的所有参数，通过 get_param_names 获取的值是此对象的该键对应的参数值，值始终与构造时传入的值相同

• 如果 deep=True，还包含组件参数的键值对，组件参数索引为 [componentname]__[paramname]，componentname 的所有参数以 paramname 及其值的形式出现

• 如果 deep=True，还包含任意层级的组件递归，例如，[componentname]__[componentcomponentname]__[paramname] 等

get_tag(tag_name, tag_value_default=None, raise_error=True)

从实例获取标签值，考虑标签层级继承和覆盖。

每个兼容 scikit-base 的对象都有一个标签字典。标签可用于存储关于对象的元数据，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，在对象构造后不会改变。

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，优先级降序如下：

1. 在实例上通过 set_tags 或 clone_tags 设置的标签，

在实例构造时。

2. 在类的 _tags 属性中设置的标签。

3. 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=None

如果未找到标签，则使用默认/回退值

raise_error布尔值

未找到标签时是否引发 ValueError

返回:

tag_valueAny

self 中 tag_name 标签的值。如果未找到，当 raise_error 为 True 时引发错误，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，则会引发 ValueError。

get_tags()

从实例获取标签，考虑标签层级继承和覆盖。

每个兼容 scikit-base 的对象都有一个标签字典。标签可用于存储关于对象的元数据，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，在对象构造后不会改变。

get_tags 方法返回一个标签字典，其中的键是类或其任何父类中设置的任何 _tags 属性的键，或通过 set_tags 或 clone_tags 设置的标签。

值是相应的标签值，覆盖优先级降序如下：

1. 在实例上通过 set_tags 或 clone_tags 设置的标签，

在实例构造时。

2. 在类的 _tags 属性中设置的标签。

3. 在父类的 _tags 属性中设置的标签，

按继承顺序。

返回:

collected_tagsdict

标签名 : 标签值 对的字典。通过嵌套继承从 _tags 类属性收集，然后收集来自 _tags_dynamic 对象属性的任何覆盖和新标签。

is_composite()

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:

composite: bool

对象是否有任何参数的值是 BaseObject 的派生实例。

property is_fitted

是否已调用 fit。

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:

bool

估计器是否已 fit。

classmethod load_from_path(serial)

从文件位置加载对象。

参数:

serialZipFile(path).open(“object) 的结果

返回:

cls.save(path) 在 path 处输出的反序列化的 self

classmethod load_from_serial(serial)

从序列化的内存容器加载对象。

参数:

serialcls.save(None) 输出的第一个元素

返回:

cls.save(None) 输出 serial 的反序列化的 self

predict(fh=None, X=None)

预测未来范围的时间序列。

所需状态

要求状态为“已拟合”，即 self.is_fitted=True。

访问 self 中的属性

• 以“_”结尾的已拟合模型属性。

• self.cutoff、self.is_fitted

写入 self

如果传入 fh 且之前未传入过，则将 fh 存储到 self.fh。

参数:

fhint、list、可强制转换为 pd.Index 或 ForecastingHorizon，默认=None

编码要预测的时间戳的预测范围。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，它将通过调用 _check_fh 被强制转换为 `ForecastingHorizon`。特别是，如果 fh 是 pd.Index 类型，它将通过 ForecastingHorizon(fh, is_relative=False) 被强制转换。

Xsktime 兼容格式的时间序列，可选（默认=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")，则 X.index 必须包含 fh 索引引用。

返回:

y_predsktime 兼容数据容器格式的时间序列

在 fh 处的点预测，与 fh 具有相同的索引。y_pred 与最近传入的 y 类型相同：Series、Panel、Hierarchical scitype，格式相同（见上文）

predict_interval(fh=None, X=None, coverage=0.9)

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 中的属性

• 以“_”结尾的已拟合模型属性。

• self.cutoff、self.is_fitted

写入 self

如果传入 fh 且之前未传入过，则将 fh 存储到 self.fh。

参数:

fhint、list、可强制转换为 pd.Index 或 ForecastingHorizon，默认=None

编码要预测的时间戳的预测范围。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，它将在内部被强制转换为 ForecastingHorizon（通过 _check_fh）。

• 如果 fh 是 int 或 int 的类数组，它被解释为相对预测范围，并被强制转换为相对 ForecastingHorizon(fh, is_relative=True)。

• 如果 fh 是 pd.Index 类型，它被解释为绝对预测范围，并被强制转换为绝对 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选（默认=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")，则 X.index 必须包含 fh 索引引用。

coveragefloat 或唯一 float 值列表，可选（默认=0.90）

预测区间名义覆盖度

返回:

pred_intpd.DataFrame

列具有多级索引：第一级是 `fit` 中 y 的变量名，

第二级是计算区间的覆盖度分数。

与输入 coverage 中的顺序相同。

第三级是字符串“lower”或“upper”，表示区间下限/上限。

行索引是 fh，附加（上级）级别等于实例级别，

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

条目是下限/上限区间的预测，

对于列索引中的变量，在第二列索引中的名义覆盖度下，取决于第三列索引的 lower/upper，以及行索引。上限/下限区间预测等效于覆盖度 c 的 alpha = 0.5 - c/2, 0.5 + c/2 处的分位数预测。

predict_proba(fh=None, X=None, marginal=True)

计算/返回完全概率预测。

注意

• 目前仅为 Series（非面板、非分层）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 中的属性

• 以“_”结尾的已拟合模型属性。

• self.cutoff、self.is_fitted

写入 self

如果传入 fh 且之前未传入过，则将 fh 存储到 self.fh。

参数:

fhint、list、可强制转换为 pd.Index 或 ForecastingHorizon，默认=None

编码要预测的时间戳的预测范围。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，它将在内部被强制转换为 ForecastingHorizon（通过 _check_fh）。

• 如果 fh 是 int 或 int 的类数组，它被解释为相对预测范围，并被强制转换为相对 ForecastingHorizon(fh, is_relative=True)。

• 如果 fh 是 pd.Index 类型，它被解释为绝对预测范围，并被强制转换为绝对 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选（默认=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")，则 X.index 必须包含 fh 索引引用。

marginal布尔值，可选（默认=True）

返回的分布是否按时间索引是边际分布

返回:

pred_distskpro BaseDistribution

如果 `marginal=True`，则为预测分布；如果 `marginal=False` 且方法已实现，则按时间点为边际分布；否则为联合分布

predict_quantiles(fh=None, X=None, alpha=None)

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 中的属性

• 以“_”结尾的已拟合模型属性。

• self.cutoff、self.is_fitted

写入 self

如果传入 fh 且之前未传入过，则将 fh 存储到 self.fh。

参数:

fhint、list、可强制转换为 pd.Index 或 ForecastingHorizon，默认=None

编码要预测的时间戳的预测范围。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，它将在内部被强制转换为 ForecastingHorizon（通过 _check_fh）。

• 如果 fh 是 int 或 int 的类数组，它被解释为相对预测范围，并被强制转换为相对 ForecastingHorizon(fh, is_relative=True)。

• 如果 fh 是 pd.Index 类型，它被解释为绝对预测范围，并被强制转换为绝对 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选（默认=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")，则 X.index 必须包含 fh 索引引用。

alphafloat 或唯一 float 值列表，可选（默认=[0.05, 0.95]）

计算分位数预测的概率或概率列表。

返回:

quantilespd.DataFrame

列具有多级索引：第一级是 `fit` 中 y 的变量名，

第二级是传入函数的 alpha 值。

行索引是 fh，附加（上级）级别等于实例级别，

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，对于列索引中的变量，

在第二列索引中的分位数概率下，以及行索引。

predict_residuals(y=None, X=None)

返回时间序列预测的残差。

将计算 y.index 处预测的残差。

如果 fh 必须在 fit 中传入，则必须与 y.index 一致。如果 y 是 np.ndarray，且未在 fit 中传入 fh，则将在 `range(len(y.shape[0]))` 的 fh 处计算残差。

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）一致

访问 self 中的属性

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

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

如果为 None，则使用目前为止看到的 y (self._y)，特别是

• 如果之前仅调用了一次 fit，则生成样本内残差

• 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（默认=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")，则 X.index 必须同时包含 fh 索引引用和 y.index。

返回:

y_ressktime 兼容数据容器格式的时间序列

在 fh 处的预测残差，与 fh 具有相同的索引。y_res 与最近传入的 y 类型相同：Series、Panel、Hierarchical scitype，格式相同（见上文）

predict_var(fh=None, X=None, cov=False)

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 中的属性

• 以“_”结尾的已拟合模型属性。

• self.cutoff、self.is_fitted

写入 self

如果传入 fh 且之前未传入过，则将 fh 存储到 self.fh。

参数:

fhint、list、可强制转换为 pd.Index 或 ForecastingHorizon，默认=None

编码要预测的时间戳的预测范围。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，它将在内部被强制转换为 ForecastingHorizon（通过 _check_fh）。

• 如果 fh 是 int 或 int 的类数组，它被解释为相对预测范围，并被强制转换为相对 ForecastingHorizon(fh, is_relative=True)。

• 如果 fh 是 pd.Index 类型，它被解释为绝对预测范围，并被强制转换为绝对 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选（默认=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")，则 X.index 必须包含 fh 索引引用。

cov布尔值，可选（默认=False）

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

返回:

pred_varpd.DataFrame，格式取决于 cov 变量

如果 cov=False

列名与在 fit/update 中传入的 y 的列名完全相同。

对于无名称格式，列索引将是 RangeIndex。

行索引是 fh，附加级别等于实例级别，

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，对于列索引中的变量。给定变量和 fh 索引的方差预测是预测的

给定观测数据，该变量和索引的方差。

如果 cov=True

列索引是多级索引：第一级是变量名（如上）

第二级是 fh。

行索引是 fh，附加级别等于实例级别，

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，对于列索引中的变量，以及

行和列中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()

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直接拥有的状态，具有相同的超参数。通过 set_config 设置的配置值也会保留。

reset 调用会删除任何对象属性，除了：

• 超参数 = 写入 self 的 __init__ 参数，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”的属性会保留。

• 配置属性，配置保持不变。也就是说，reset 前后 get_config 的结果相等。

类和对象方法以及类属性也不受影响。

等效于 clone，不同之处在于 reset 修改 self 而不是返回一个新对象。

调用 self.reset() 后，self 的值和状态与调用构造函数 ``type(self)(**self.get_params(deep=False))`` 后获得的对象相等。

返回:

self

类实例被重置到干净的初始化后状态，但保留当前的超参数值。

save(path=None, serialization_format='pickle')

将序列化的对象保存到字节类对象或到 (.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。此类使用默认的序列化方法 (pickle)。

参数:

pathNone 或文件位置 (str 或 Path)

如果为 None，self 保存到内存对象中；如果是文件位置，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，默认 = “pickle”

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

返回:

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)

使用 MAPE（非对称）根据真实值对预测进行评分。

参数:

ypd.Series、pd.DataFrame 或 np.ndarray (1D 或 2D)

用于评分的时间序列

fhint、list、可强制转换为 pd.Index 或 ForecastingHorizon，默认=None

编码要预测的时间戳的预测范围。

Xpd.DataFrame 或 2D np.array，可选（默认=None）

用于评分的外生时间序列。如果 self.get_tag("X-y-must-have-same-index")，则 X.index 必须包含 y.index

返回:

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)

将配置标志设置为给定值。

参数:

config_dictdict

配置名 : 配置值 对的字典。有效的配置、值及其含义如下所示

displaystr，“diagram”（默认）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_only布尔值，默认=True

打印 self 时是否仅列出自与默认值不同的参数（False），或列出所有参数名称和值（False）。不进行嵌套，即仅影响 self，不影响组件估计器。

warningsstr，“on”（默认）或“off”

是否引发警告，仅影响来自 sktime 的警告

• “on” = 将引发来自 sktime 的警告

• “off” = 不会引发来自 sktime 的警告

backend:parallelstr，可选，默认=“None”

广播/向量化时用于并行化的后端，以下之一：

• “None”：顺序执行循环，简单的列表推导

• “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，需要环境中安装 dask 包

• “ray”：使用 ray，需要环境中安装 ray 包

backend:parallel:paramsdict，可选，默认={}（未传入参数）

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

• “None”：无附加参数，忽略 backend_params

• “loky”、“multiprocessing”和“threading”：默认 joblib 后端。这里可以传入 joblib.Parallel 的任何有效键，例如 n_jobs，但 backend 除外，它直接由 backend 控制。如果未传入 n_jobs，将默认为 -1，其他参数将默认为 joblib 默认值。

• “joblib”：自定义和第三方 joblib 后端，例如 spark。这里可以传入 joblib.Parallel 的任何有效键，例如 n_jobs。在这种情况下，必须将 backend 作为 backend_params 的一个键传入。如果未传入 n_jobs，将默认为 -1，其他参数将默认为 joblib 默认值。

• “dask”：可以传入 dask.compute 的任何有效键，例如 scheduler

• “ray”：可以传入以下键

  • “ray_remote_args”：ray.init 的有效键字典

  • “shutdown_ray”：布尔值，默认=True；False 防止 ray 在并行化后

    关闭。

  • “logger_name”：str，默认=“ray”；要使用的日志记录器名称。

  • “mute_warnings”：布尔值，默认=False；如果为 True，则抑制警告

remember_data布尔值，默认=True

self._X 和 self._y 是否存储在 fit 中并在 update 中更新。如果为 True，则 self._X 和 self._y 被存储和更新。如果为 False，则 self._X 和 self._y 不被存储和更新。这在使用 save 时减小了序列化大小，但 update 将默认为“不执行任何操作”而不是“重新拟合所有已见数据”。

返回:

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)

设置此对象的参数。

该方法适用于简单的 skbase 对象以及组合对象。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>。如果不带 <component>__ 的字符串 <parameter> 使引用明确，也可以使用，例如，没有两个组件参数同名 <parameter>。

参数:

**paramsdict

BaseObject 参数，键必须是 <component>__<parameter> 字符串。如果 get_params 键中 __ 后缀是唯一的，则可以作为完整字符串的别名。

返回:

self对 self 的引用（设置参数后）

set_random_state(random_state=None, deep=True, self_policy='copy')

为此对象设置 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 将它们设置为从 random_state 派生的整数。这些整数通过 sample_dependent_seed 从链式哈希中采样，并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，并且仅当 deep=True 时才应用于剩余的组件对象。

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

参数:

random_stateint、RandomState 实例或 None，默认=None

控制随机整数生成的伪随机数生成器。传入 int 以在多次函数调用中获得可复现的输出。

deep布尔值，默认=True

是否在具有 skbase 对象值的参数（即组件估计器）中设置随机状态。

• 如果为 False，则仅设置 self 的 random_state 参数（如果存在）。

• 如果为 True，也将在组件对象中设置 random_state 参数。

self_policystr，{"copy", "keep", "new"} 之一，默认="copy"

• “copy” : 将 self.random_state 设置为输入的 random_state

• “keep” : self.random_state 保持不变

• “new” : 将 self.random_state 设置为新的随机状态，

从输入的 random_state 派生，通常与输入不同

返回:

self对 self 的引用

set_tags(**tag_dict)

将实例级别标签覆盖设置为给定值。

每个 scikit-base 兼容对象都有一个标签字典，用于存储对象的元数据。

标签是特定于实例 self 的键值对，它们是对象构造后不变的静态标志。它们可用于元数据检查或控制对象的行为。

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__ 方法中调用，在构造期间，或通过 __init__ 构造后直接调用。

可以通过 get_tags 或 get_tag 查看当前标签值。

参数:

**tag_dictdict

标签名 : 标签值 对的字典。

返回:

Self

对 self 的引用。

update(y, X=None, update_params=True)

更新截断点值，并可选地更新拟合参数。

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：拟合目前为止所有观测数据

• update_params=False：仅更新截止点并记住数据

所需状态

要求状态为“已拟合”，即 self.is_fitted=True。

访问 self 中的属性

• 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，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，每种 mtype 实现一种抽象的 scitype。

• Series scitype = 个体时间序列，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。具有 2 级行 MultiIndex (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，或 Series 类型 pd.DataFrame 的 list

• Hierarchical scitype = 分层集合，用于分层预测。具有 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=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")，则 X.index 必须包含 y.index。

update_params布尔值，可选（默认=True）

是否应更新模型参数。如果为 False，则仅更新截止点，模型参数（例如，系数）不会更新。

返回:

self对 self 的引用

update_predict(y, cv=None, X=None, update_params=True, reset_forecaster=True)

在测试集上迭代进行预测并更新模型。

用于执行多个 update / predict 链式操作的简写，数据回放基于时间分割器 cv。

与以下操作相同（如果只有 y、cv 为非默认值）

1. self.update(y=cv.split_series(y)[0][0])

2. 记住 self.predict()（稍后一次性返回）

3. self.update(y=cv.split_series(y)[1][0])

4. 记住 self.predict()（稍后一次性返回）

5. 等等

6. 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：拟合目前为止所有观测数据

• update_params=False：仅更新截止点并记住数据

所需状态

要求状态为“已拟合”，即 self.is_fitted=True。

访问 self 中的属性

• 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，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，每种 mtype 实现一种抽象的 scitype。

• Series scitype = 个体时间序列，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。具有 2 级行 MultiIndex (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，或 Series 类型 pd.DataFrame 的 list

• Hierarchical scitype = 分层集合，用于分层预测。具有 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 的时间序列交叉验证生成器，可选

例如，SlidingWindowSplitter 或 ExpandingWindowSplitter；默认 = ExpandingWindowSplitter，`initial_window=1`，且默认为 y/X 中的单个数据点逐一添加并预测，initial_window = 1，step_length = 1 且 fh = 1

Xsktime 兼容格式的时间序列，可选（默认=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")，则 X.index 必须包含 fh 索引引用。

update_params布尔值，可选（默认=True）

是否应更新模型参数。如果为 False，则仅更新截止点，模型参数（例如，系数）不会更新。

reset_forecaster布尔值，可选（默认=True）

• 如果为 True，则不会改变预测器的状态，即使用副本运行 update/predict 序列，self 的截止点、模型参数、数据内存不变

• 如果为 False，则在运行 update/predict 序列时会像直接调用 update/predict 一样更新 self

返回:

y_pred汇总来自多个分割批次的点预测的对象

格式取决于总体预测的 (截止点, 绝对预测范围) 对

• 如果绝对预测范围点集合唯一：类型为 sktime 兼容数据容器格式的时间序列，输出中抑制截止点，与最近传入的 y 类型相同：Series、Panel、Hierarchical scitype，格式相同（见上文）

• 如果绝对预测范围点集合不唯一：类型为 pandas DataFrame，行索引和列索引均为时间戳，行索引对应于从中预测的截止点，列索引对应于预测的绝对预测范围。条目是根据行索引预测的列索引的点预测。如果未在该 (截止点, 预测范围) 对处进行预测，则条目为 nan

update_predict_single(y=None, fh=None, X=None, update_params=True)

用新数据更新模型并进行预测。

此方法可用于在单个步骤中进行更新和预测。

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

所需状态

要求状态为“已拟合”。

访问 self 中的属性

以“_”结尾的已拟合模型属性。已见数据的指针，self._y 和 self.X。self.cutoff、self._is_fitted。如果 update_params=True，则为以“_”结尾的模型属性。

写入 self

通过附加行更新 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，每种 mtype 实现一种抽象的 scitype。

• Series scitype = 个体时间序列，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。具有 2 级行 MultiIndex (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，或 Series 类型 pd.DataFrame 的 list

• Hierarchical scitype = 分层集合，用于分层预测。具有 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、可强制转换为 pd.Index 或 ForecastingHorizon，默认=None

编码要预测的时间戳的预测范围。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（默认=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")，则 X.index 必须包含 fh 索引引用。

update_params布尔值，可选（默认=True）

是否应更新模型参数。如果为 False，则仅更新截止点，模型参数（例如，系数）不会更新。

返回:

y_predsktime 兼容数据容器格式的时间序列

在 fh 处的点预测，与 fh 具有相同的索引。y_pred 与最近传入的 y 类型相同：Series、Panel、Hierarchical scitype，格式相同（见上文）