HierarchyEnsembleForecaster#

class HierarchyEnsembleForecaster(forecasters, by='level', default=None, backend=None, backend_params=None)[source]#

聚合分层数据，拟合预测器并进行预测。

可以在不同的聚合级别或不同的分层节点上应用不同的单变量预测器。

HierarchyEnsembleForecaster 接收预测器/级别或预测器/节点对。级别必须是 >= 0 的整数，其中 0 表示最顶层聚合。节点必须是字符串元组或元组列表。

fit, predict 中的行为：对于传入的级别对 f_i, l_i，将预测器 f_i 应用于级别 l_i。对于传入的节点对 f_i, n_i，将预测器 f_i 应用于 n_i 的每个节点。如果传入 default 参数，则将 default 预测器应用于 forecasters 参数中未提及的其余级别/节点。 predict 结果将被连接到一个与 fit 中具有相同列的容器中。

参数:

forecasterssktime 预测器，或元组列表

(str, estimator, int 或 tuple/s 列表) 如果是预测器，则 forecaster 的克隆将应用于所有聚合级别。如果是元组列表，其中 name = str，estimator 是预测器，level/node 分别是 int/tuples。如果 default 属性为 None，则所有级别/节点必须存在于 forecasters 属性中。

by{‘node’, ‘level’, default=’level’}

如果是 'level'，则将单变量预测器应用于聚合级别内的所有分层节点；如果是 'node'，则为每个分层节点应用单独的单变量预测器。

defaultsktime 预测器 {default = None}

如果传入，则将 default 预测器应用于 forecaster 参数中未提及的节点/级别。

backendstring, 默认为 “None”。

用于运行的并行化后端。如果在指定且 strategy="refit" 时运行并行评估。

“None”：按顺序执行循环，简单的列表推导
“loky”、“multiprocessing” 和 “threading”：使用 joblib.Parallel 循环
“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
“dask_lazy”：与 “dask” 相同，但将返回值更改为（惰性）dask.dataframe.DataFrame。
“ray”：使用 ray，需要环境中安装 ray 包

建议：对于并行评估使用 “dask” 或 “loky”。由于 GIL 的限制，“threading” 不太可能看到速度提升，并且 “dask” 和 “loky” 的序列化后端（cloudpickle）通常比 “multiprocessing” 中使用的标准 pickle 库更健壮。

backend_paramsdict, 可选

作为配置传递给后端的附加参数。直接传递给 utils.parallel.parallelize。有效键取决于 backend 的值。

“None”：无附加参数，backend_params 被忽略
“loky”、“multiprocessing” 和 “threading”：默认 joblib 后端。此处可以传递 joblib.Parallel 的任何有效键，例如 n_jobs，但 backend 除外，它由 backend 直接控制。如果没有传递 n_jobs，它将默认为 -1，其他参数将默认为 joblib 的默认值。
“joblib”：自定义和第三方 joblib 后端，例如 spark。此处可以传递 joblib.Parallel 的任何有效键，例如 n_jobs。在这种情况下，backend 必须作为 backend_params 的一个键传入。如果没有传递 n_jobs，它将默认为 -1，其他参数将默认为 joblib 的默认值。
“dask”：可以传递 dask.compute 的任何有效键，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，默认为 True；False 可防止 ray 在并行化后关闭
  并行化后关闭。
- “logger_name”：str，默认为 “ray”；要使用的日志记录器名称。
- “mute_warnings”：bool，默认为 False；如果为 True，则抑制警告

属性:

cutoff: Cut-off = 预测器的“当前时间”状态。
fh: 传入的预测范围。
is_fitted: 是否已调用 fit。

示例

>>> from sktime.forecasting.compose import HierarchyEnsembleForecaster
>>> from sktime.forecasting.naive import NaiveForecaster
>>> from sktime.forecasting.trend import PolynomialTrendForecaster, TrendForecaster
>>> from sktime.utils._testing.hierarchical import _bottom_hier_datagen
>>> y = _bottom_hier_datagen(
...     no_bottom_nodes=7,
...     no_levels=2,
...     random_seed=123,
... )

>>> # Example of by = 'level'
>>> forecasters = [
...     ('naive', NaiveForecaster(), 0),
...     ('trend', TrendForecaster(), 1),
... ]
>>> forecaster = HierarchyEnsembleForecaster(
...     forecasters=forecasters,
...     by='level',
...     default=PolynomialTrendForecaster(degree=2),
... )
>>> forecaster.fit(y, fh=[1, 2, 3])
HierarchyEnsembleForecaster(...)
>>> y_pred = forecaster.predict()

>>> # Example of by = 'node'
>>> forecasters = [
...     ('trend', TrendForecaster(), [("__total", "__total")]),
...     ('poly', PolynomialTrendForecaster(degree=2), [('l2_node01', 'l1_node01')]),
... ]
>>> forecaster = HierarchyEnsembleForecaster(
...                 forecasters=forecasters,
...                 by='node', default=NaiveForecaster()
... )
>>> forecaster.fit(y, fh=[1, 2, 3])
HierarchyEnsembleForecaster(...)
>>> y_pred = forecaster.predict()

方法

`check_is_fitted`([method_name])	检查估计器是否已拟合。
`clone`()	获取一个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])	创建所有测试实例的列表及其名称列表。
`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])	从类获取类标签值，并继承父类的标签级别。
`get_class_tags`()	从类获取类标签，并继承父类的标签级别。
`get_config`()	获取自身的配置标志。
`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])	获取估计器的参数。
`get_tag`(tag_name[, tag_value_default, ...])	从实例获取标签值，并继承标签级别和覆盖。
`get_tags`()	从实例获取标签，并继承标签级别和覆盖。
`get_test_params`()	返回估计器的测试参数设置。
`is_composite`()	检查对象是否为复合对象。
`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])	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`()	将对象重置为干净的初始化后状态。
`save`([path, serialization_format])	将序列化对象保存为字节类对象或 (.zip) 文件。
`score`(y[, X, fh])	根据真实值评估预测，使用 MAPE（非对称）。
`set_config`(**config_dict)	将配置标志设置为给定值。
`set_params`(**kwargs)	设置估计器的参数。
`set_random_state`([random_state, deep, ...])	为自身设置 random_state 伪随机种子参数。
`set_tags`(**tag_dict)	将实例级标签覆盖设置为给定值。
`update`(y[, X, update_params])	更新截止值，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])	用新数据更新模型并进行预测。

classmethod get_test_params()[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。如果未为某个值定义特殊参数，则返回 "default" 集。

返回:

paramsdict 或 dict 列表, 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，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。

如果否，则引发 NotFittedError。

参数:

method_namestr, 可选: 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]#

获取一个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。此函数相当于返回自身的 sklearn.clone。

相当于构造一个具有自身参数的 type(self) 新实例，即 type(self)(**self.get_params(deep=False))。

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

在值上等同于调用 self.reset，例外是 clone 返回一个新对象，而不是像 reset 那样改变 self。

引发:

如果克隆不符合规范，可能是由于有问题的 __init__，则会引发 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会更改的静态标志。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

clone_tags 方法应该只在对象构造期间或通过 __init__ 直接构造后，在对象的 __init__ 方法中调用。

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

tag_names 的默认行为是将 estimator 中的所有标签写入 self。

当前标签值可以通过 get_tags 或 get_tag 查看。

参数:

estimator:class:BaseObject 或派生类的实例
tag_namesstr 或 str 列表, 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')[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，用于测试中。如果未为某个值定义特殊参数，则将返回“default”集。

返回:

instance具有默认参数的类实例

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

创建所有测试实例的列表及其名称列表。

参数:

parameter_setstr, default=”default”: 要返回的测试参数集的名称，用于测试中。如果未为某个值定义特殊参数，则将返回“default”集。

返回:

objscls 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[source]#

Cut-off = 预测器的“当前时间”状态。

返回:

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

property fh[source]#: 传入的预测范围。

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，可通过 get_fitted_params 检查已拟合属性。

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 fh 存储到 self.fh。

参数:

y以 sktime 兼容数据容器格式表示的时间序列。

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 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。pd.DataFrame，带有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，list，由 Series 类型的 pd.DataFrame 组成
Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame，带有 3 级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

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 可强制转换，或 ForecastingHorizon，默认=None

预测期编码了要预测的时间戳。如果 self.get_tag("requires-fh-in-fit") 为 True，则必须在 fit 中传递，非可选

X以 sktime 兼容格式表示的时间序列，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)[source]#

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，可通过 get_fitted_params 检查已拟合属性。

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:

y以 sktime 兼容数据容器格式表示的时间序列

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 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。pd.DataFrame，带有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，list，由 Series 类型的 pd.DataFrame 组成
Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame，带有 3 级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

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 可强制转换，或 ForecastingHorizon (非可选)

预测期编码了要预测的时间戳。

如果 fh 非 None 且非 ForecastingHorizon 类型，则通过调用 _check_fh 将其强制转换为 ForecastingHorizon。特别地，如果 fh 为 pd.Index 类型，则通过 ForecastingHorizon(fh, is_relative=False) 将其强制转换。

X以 sktime 兼容格式表示的时间序列，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_pred以 sktime 兼容格式表示的时间序列，可选 (默认=None)

用于预测的外生时间序列。如果传递，将在预测中使用而不是 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")，则 X.index 必须包含 fh 索引引用。

返回:

y_pred以 sktime 兼容数据容器格式表示的时间序列: fh 处的点预测，索引与 fh 相同。y_pred 与最近传递的 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)[source]#

从类获取类标签值，并继承父类的标签级别。

每个兼容 scikit-base 的对象都有一个标签字典，用于存储有关对象的元数据。

get_class_tag 方法是一个类方法，检索标签值时仅考虑类级别的标签值和覆盖。

它返回名称为 tag_name 的标签值，同时考虑标签覆盖，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，

按继承顺序排列。

不考虑实例上的动态标签覆盖（通过 set_tags 或 clone_tags 设置）。

要检索具有潜在实例覆盖的标签值，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，则使用的默认/备用值。

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()[source]#

从类获取类标签，并继承父类的标签级别。

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会更改的静态标志。

get_class_tags 方法是一个类方法，检索标签值时仅考虑类级别的标签值和覆盖。

它返回一个字典，其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，覆盖的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，

按继承顺序排列。

实例可以根据超参数覆盖这些标签。

要检索具有潜在实例覆盖的标签，请改用 get_tags 方法。

不考虑实例上的动态标签覆盖（通过 set_tags 或 clone_tags 设置）。

要包含动态标签的覆盖，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]#

获取自身的配置标志。

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。

默认配置在类或其父类的类属性 _config 中设置，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: 配置名称 : 配置值对的字典。通过嵌套继承从 _config 类属性收集，然后从 _onfig_dynamic 对象属性收集任何覆盖和新标签。

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, 默认=True

是否返回组件的拟合参数。

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

返回:

fitted_params键为 str 值的字典

拟合参数的字典，paramname : paramvalue 键值对包括

总是：此对象的所有拟合参数，如同通过 get_param_names 获取的值是此对象该键的拟合参数值
如果 deep=True，也包含组件参数的键/值对，组件的参数索引为 [componentname]__[paramname]，componentname 的所有参数都以 paramname 及其值的形式出现
如果 deep=True，也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:

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，与在 __init__ 中定义的相同。

classmethod get_param_names(sort=True)[source]#

获取对象的参数名称。

参数:

sortbool, 默认=True: 是否按字母顺序（True）或按其在类 __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，顺序与它们在类 __init__ 中出现的顺序相同。如果 sort=True，则按字母顺序排列。

get_params(deep=True)[source]#

获取估计器的参数。

参数:

deep布尔值，可选: 如果为 True，将返回此估计器及其包含的子对象（也是估计器）的参数。

返回:

params字符串到任意类型的映射: 参数名称映射到其值。

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

从实例获取标签值，并继承标签级别和覆盖。

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会更改的静态标志。

get_tag 方法从实例中检索名称为 tag_name 的单个标签的值，同时考虑标签覆盖，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，

在实例构建时。

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，

按继承顺序排列。

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，则使用的默认/备用值
raise_errorbool: 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，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，则会引发 ValueError。

get_tags()[source]#

从实例获取标签，并继承标签级别和覆盖。

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会更改的静态标志。

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

值是相应的标签值，覆盖的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，

在实例构建时。

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，

按继承顺序排列。

返回:

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，然后从 _tags_dynamic 对象属性收集任何覆盖和新标签。

is_composite()[source]#

检查对象是否为复合对象。

复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，self 是否包含一个参数是 BaseObject 类型

property is_fitted[source]#

是否已调用 fit。

检查对象的 _is_fitted` 属性，该属性应在对象构建期间初始化为 ``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)[source]#

从文件位置加载对象。

参数:

serialZipFile(path).open(“object) 的结果

返回:

反序列化的 self，生成 cls.save(path) 在 path 处的输出

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 1 个元素

返回:

反序列化的 self，生成 cls.save(None) 的输出 serial

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

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 中的内容

以“_”结尾的已拟合模型属性。

self.cutoff，self.is_fitted

写入 self: 如果传递了 fh 且之前未传递过，则将 fh 存储到 self.fh。

参数:

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

预测期编码了要预测的时间戳。如果已在 fit 中传递，则不应再次传递。如果未在 fit 中传递，则必须传递，非可选

如果 fh 非 None 且非 ForecastingHorizon 类型，则通过调用 _check_fh 将其强制转换为 ForecastingHorizon。特别地，如果 fh 为 pd.Index 类型，则通过 ForecastingHorizon(fh, is_relative=False) 将其强制转换。

X以 sktime 兼容格式表示的时间序列，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_pred以 sktime 兼容数据容器格式表示的时间序列: fh 处的点预测，索引与 fh 相同。y_pred 与最近传递的 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)[source]#

计算/返回预测区间预测。

如果 coverage 可迭代，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 中的内容

以“_”结尾的已拟合模型属性。

self.cutoff，self.is_fitted

写入 self: 如果传递了 fh 且之前未传递过，则将 fh 存储到 self.fh。

参数:

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

预测期编码了要预测的时间戳。如果已在 fit 中传递，则不应再次传递。如果未在 fit 中传递，则必须传递，非可选

如果 fh 非 None 且非 ForecastingHorizon 类型，则会在内部（通过 _check_fh）强制转换为 ForecastingHorizon。

如果 fh 是 int 或类似 int 的数组，则解释为相对预测期，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则解释为绝对预测期，并强制转换为绝对 ForecastingHorizon(fh, is_relative=False)。

X以 sktime 兼容格式表示的时间序列，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 或包含唯一值的 float 列表，可选 (默认=0.90)

预测区间(s) 的名义覆盖率(s)

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率分数。: 与输入 coverage 中的顺序相同。

第三级是字符串“lower”或“upper”，表示区间的下限/上限。

行索引是 fh，如果 fit 中看到的 y 是 Panel 或 Hierarchical，则附加的（上层）级别等于实例级别。

来自 fit 中看到的 y。

条目是下限/上限区间的预测，

对应于列索引中的变量，第二列索引中的名义覆盖率，取决于第三列索引的下限/上限，以及行索引。上限/下限区间预测等同于对于覆盖率 c，分位点预测为 alpha = 0.5 - c/2, 0.5 + c/2。

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

计算/返回完全概率预测。

注意

目前仅对 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 中的内容

以“_”结尾的已拟合模型属性。

self.cutoff，self.is_fitted

写入 self: 如果传递了 fh 且之前未传递过，则将 fh 存储到 self.fh。

参数:

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

预测期编码了要预测的时间戳。如果已在 fit 中传递，则不应再次传递。如果未在 fit 中传递，则必须传递，非可选

如果 fh 非 None 且非 ForecastingHorizon 类型，则会在内部（通过 _check_fh）强制转换为 ForecastingHorizon。

如果 fh 是 int 或类似 int 的数组，则解释为相对预测期，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则解释为绝对预测期，并强制转换为绝对 ForecastingHorizon(fh, is_relative=False)。

X以 sktime 兼容格式表示的时间序列，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。

marginalbool, 可选 (默认=True)

返回的分布是否按时间索引边际化

返回:

pred_distskpro BaseDistribution: 如果 marginal=True，则为预测分布；如果 marginal=False 且由方法实现，则为联合分布；如果 marginal=True，则为按时间点的边际分布

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

计算/返回分位数预测。

如果 alpha 可迭代，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 中的内容

以“_”结尾的已拟合模型属性。

self.cutoff，self.is_fitted

写入 self: 如果传递了 fh 且之前未传递过，则将 fh 存储到 self.fh。

参数:

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

预测期编码了要预测的时间戳。如果已在 fit 中传递，则不应再次传递。如果未在 fit 中传递，则必须传递，非可选

如果 fh 非 None 且非 ForecastingHorizon 类型，则会在内部（通过 _check_fh）强制转换为 ForecastingHorizon。

如果 fh 是 int 或类似 int 的数组，则解释为相对预测期，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则解释为绝对预测期，并强制转换为绝对 ForecastingHorizon(fh, is_relative=False)。

X以 sktime 兼容格式表示的时间序列，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 或包含唯一值的 float 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，: 第二级是传递给函数的 alpha 值。
行索引是 fh，如果 fit 中看到的 y 是 Panel 或 Hierarchical，则附加的（上层）级别等于实例级别。: 来自 fit 中看到的 y。
条目是分位数预测，对应于列索引中的变量，: 在第二列索引中的分位数概率处，对应于行索引。

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

返回时间序列预测的残差。

将计算在 y.index 处的预测残差。

如果在 fit 中必须传递 fh，则必须与 y.index 一致。如果 y 是 np.ndarray，且在 fit 中未传递 fh，则将在 fh 为 range(len(y.shape[0])) 时计算残差。

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）对应。
访问 self 中的内容: 以“_”结尾的已拟合模型属性。self.cutoff, self._is_fitted
写入 self: 无。

参数:

y以 sktime 兼容数据容器格式表示的时间序列

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

如果为 None，则使用迄今为止看到的 y (self._y)，特别是

如果前面有一次 fit 调用，则产生样本内残差
如果 fit 需要 fh，则它必须指向 fit 中 y 的索引

X以 sktime 兼容格式表示的时间序列，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_res以 sktime 兼容数据容器格式表示的时间序列: fh`, 索引与 ``fh 相同的预测残差。y_res 与最近传递的 y 类型相同：Series、Panel、Hierarchical scitype，格式相同（见上文）

predict_var(fh=None, X=None, cov=False)[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 中的内容

以“_”结尾的已拟合模型属性。

self.cutoff，self.is_fitted

写入 self: 如果传递了 fh 且之前未传递过，则将 fh 存储到 self.fh。

参数:

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

预测期编码了要预测的时间戳。如果已在 fit 中传递，则不应再次传递。如果未在 fit 中传递，则必须传递，非可选

如果 fh 非 None 且非 ForecastingHorizon 类型，则会在内部（通过 _check_fh）强制转换为 ForecastingHorizon。

如果 fh 是 int 或类似 int 的数组，则解释为相对预测期，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则解释为绝对预测期，并强制转换为绝对 ForecastingHorizon(fh, is_relative=False)。

X以 sktime 兼容格式表示的时间序列，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。

covbool, 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 中传递的 y 的列名完全相同。: 对于无名格式，列索引将是 RangeIndex。
行索引是 fh，带有等于实例级别的附加级别，: 来自 fit 中看到的 y。

来自 fit 中看到的 y。条目是方差预测，对应于列索引中的变量。给定变量和 fh 索引的方差预测是给定观测数据对该变量和索引的预测方差。

给定观测数据对该变量和索引的预测方差。

如果 cov=True

列索引是多级索引：第 1 级是变量名（如上）: 第 2 级是 fh。
行索引是 fh，带有等于实例级别的附加级别，: 来自 fit 中看到的 y。
条目是（协）方差预测，对应于列索引中的变量，并且: 行索引和列索引中的时间索引之间的协方差。

注意：不返回不同变量之间的协方差预测。

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直接的状态，具有相同的超参数。通过 set_config 设置的配置值也保留。

reset 调用删除所有对象属性，除了

超参数 = __init__ 的参数写入到 self 中，例如 self.paramname，其中 paramname 是 __init__ 的参数
包含双下划线（即字符串“__”）的对象属性。例如，名为“__myattr”的属性将保留。
配置属性，配置保持不变。也就是说，在 reset 前后调用 get_config 的结果是相等的。

类和对象方法，以及类属性也不受影响。

相当于 clone，区别在于 reset 会改变 self 而不是返回一个新对象。

在调用 self.reset() 后，self 在值和状态上等于构造函数调用 ``type(self)(**self.get_params(deep=False))`` 后获得的对象。

返回:

self: 类的实例重置为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')[source]#

将序列化对象保存为字节类对象或 (.zip) 文件。

行为：如果 path 为 None，则返回一个内存中的序列化 self；如果 path 是文件位置，则将 self 存储在该位置作为 zip 文件

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 将保存到内存对象中；如果是文件位置，self 将保存到该文件位置。如果

path="estimator"，则会在当前工作目录创建 zip 文件 estimator.zip。
path="/home/stored/estimator"，则会在

存储在 /home/stored/ 中。

serialization_format: str, default = “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 - ZipFile，引用该文件

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

根据真实值评估预测，使用 MAPE（非对称）。

参数:

ypd.Series, pd.DataFrame, 或 np.ndarray (1D 或 2D): 要评分的时间序列
fhint, list, pd.Index 可强制转换，或 ForecastingHorizon，默认=None: 预测期编码了要预测的时间戳。
Xpd.DataFrame, 或 2D np.array, 可选 (默认=None): 要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。

另请参阅

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。下面列出了有效的配置、值及其含义

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_onlybool, 默认=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”（默认），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, 默认=”None”

广播/矢量化时用于并行化的后端，以下之一

“None”：按顺序执行循环，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={} (未传递参数)

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，backend_params 被忽略
“loky”、“multiprocessing” 和 “threading”：默认 joblib 后端。此处可以传递 joblib.Parallel 的任何有效键，例如 n_jobs，但 backend 除外，它由 backend 直接控制。如果没有传递 n_jobs，它将默认为 -1，其他参数将默认为 joblib 的默认值。
“joblib”：自定义和第三方 joblib 后端，例如 spark。可以传递 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 的键传递。如果未传递 n_jobs，则默认为 -1，其他参数将默认为 joblib 默认值。
“dask”：可以传递 dask.compute 的任何有效键，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，默认=True；False 阻止 ray 从
  并行化后关闭。
- “logger_name”：str，默认为 “ray”；要使用的日志记录器名称。
- “mute_warnings”：bool，默认为 False；如果为 True，则抑制警告

remember_databool, 默认=True

self._X 和 self._y 是否在 fit 中存储，并在 update 中更新。如果为 True，则 self._X 和 self._y 存储并更新。如果为 False，则 self._X 和 self._y 不存储也不更新。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“重新拟合所有看到的数据”。

返回:

self对 self 的引用。

注释

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

set_params(**kwargs)[source]#

设置估计器的参数。

有效的参数键可以通过 get_params() 列出。

返回:

self返回 self 的实例。

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

为自身设置 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 的链式哈希采样，保证了种子随机生成器的伪随机独立性。

根据 self_policy，适用于 self 中的 random_state 参数，并且仅当 deep=True 时，适用于剩余的组件对象。

注意：即使 self 没有 random_state，或者没有任何组件有 random_state 参数，也会调用 set_params。因此，set_random_state 会重置任何 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, 默认=None

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

deepbool, 默认=True

是否在 skbase 对象值参数（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，也将设置组件对象中的 random_state 参数。

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

“copy”：self.random_state 设置为输入的 random_state
“keep”：self.random_state 保持原样
“new”：self.random_state 设置为一个新的随机状态，

从输入的 random_state 派生，通常与它不同

返回:

self对 self 的引用

set_tags(**tag_dict)[source]#

将实例级标签覆盖设置为给定值。

每个兼容 scikit-base 的对象都有一个标签字典，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，它们是静态标志，在对象构建后不会更改。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 方法只能在对象的 __init__ 方法中调用，即在构建期间，或通过 __init__ 构建后直接调用。

当前标签值可以通过 get_tags 或 get_tag 查看。

参数:

**tag_dictdict: 标签名称 : 标签值对的字典。

返回:

Self: 对 self 的引用。

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

更新截止值，并（可选地）更新已拟合参数。

如果未实现估计器特定的更新方法，则默认的回退如下

update_params=True：拟合所有迄今为止观测到的数据

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 中的内容

以“_”结尾的已拟合模型属性。

self.cutoff，self.is_fitted

写入 self

将 self.cutoff 更新到 y 中看到的最新索引。

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

参数:

y以 sktime 兼容数据容器格式表示的时间序列。

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 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。pd.DataFrame，带有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，list，由 Series 类型的 pd.DataFrame 组成
Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame，带有 3 级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

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

X以 sktime 兼容格式表示的时间序列，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_paramsbool, 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）不更新。

返回:

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。

执行多个 update / predict 执行链的简写，数据回放基于时间分割器 cv。

与以下相同（如果只有 y、cv 是非默认值）

self.update(y=cv.split_series(y)[0][0])
记住 self.predict()（稍后在单个批处理中返回）
self.update(y=cv.split_series(y)[1][0])
记住 self.predict()（稍后在单个批处理中返回）
等等
返回所有记住的预测

如果未实现估计器特定的更新方法，则默认的回退如下

update_params=True：拟合所有迄今为止观测到的数据

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 中的内容

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 更新到 y 中看到的最新索引。
如果 update_params=True，则更新以“_”结尾的拟合模型属性。

如果 reset_forecaster=True，则不更新状态。

参数:

y以 sktime 兼容数据容器格式表示的时间序列。

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 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。pd.DataFrame，带有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，list，由 Series 类型的 pd.DataFrame 组成
Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame，带有 3 级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

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 = ExpandingWindowSplitter，initial_window=1 且默认值 = 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

X以 sktime 兼容格式表示的时间序列，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_paramsbool, 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）不更新。

reset_forecasterbool, 可选 (默认=True)

如果为 True，则不会更改预测器的状态，即更新/预测序列使用副本运行，并且 self 的截止点、模型参数、数据内存不会改变
如果为 False，则在运行更新/预测序列时更新 self，就像直接调用 update/predict 一样

返回:

y_pred一个对象，它以表格形式表示来自多个分割批次的点预测

格式取决于整体预测的对（截止点，绝对预测期）

如果绝对预测点集合是唯一的：类型是 sktime 兼容数据容器格式的时间序列，输出中省略了截止点，类型与最近传递的 y 相同：Series, Panel, Hierarchical scitype，格式相同（见上文）
如果绝对预测点集合不唯一：类型是 pandas DataFrame，行索引和列索引是时间戳，行索引对应于预测的截止点，列索引对应于预测的绝对预测期，条目是根据行索引预测的列索引的点预测，如果该（截止点，预测期）对没有预测，则条目为 nan

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

用新数据更新模型并进行预测。

此方法用于在一个步骤中进行更新和预测。

如果未实现估计器特定的更新方法，则默认的回退是先更新，然后预测。

所需状态: 要求状态为“已拟合”。
访问 self 中的内容: 以“_”结尾的拟合模型属性。指向已看到的数据的指针，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: 通过追加行更新 self._y 和 self._X，使用 y 和 X。将 self.cutoff 和 self._cutoff 更新为在 y 中看到的最后一个索引。如果 update_params=True，

更新以“_”结尾的拟合模型属性。

参数:

y以 sktime 兼容数据容器格式表示的时间序列。

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 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。pd.DataFrame，带有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，list，由 Series 类型的 pd.DataFrame 组成
Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame，带有 3 级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

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 可强制转换，或 ForecastingHorizon，默认=None

预测期编码了要预测的时间戳。如果已在 fit 中传递，则不应再次传递。如果未在 fit 中传递，则必须传递，非可选

X以 sktime 兼容格式表示的时间序列，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_paramsbool, 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）不更新。

返回:

y_pred以 sktime 兼容数据容器格式表示的时间序列: fh 处的点预测，索引与 fh 相同。y_pred 与最近传递的 y 类型相同：Series、Panel、Hierarchical scitype，格式相同（见上文）