RecursiveReductionForecaster

class RecursiveReductionForecaster(estimator, window_length=10, impute_method='bfill', pooling='local')

递归降维预测器，包括外生变量递归。

实现递归降维，将预测问题转化为表格回归问题。

算法详情

在 fit 方法中，给定内生时间序列 y 和可能的外生变量 X

将 estimator 拟合到按如下方式定义的特征-标签对：

特征 = y(t), y(t-1), …, y(t-window_size)，如果提供外生变量，还包括：X(t+1)；标签 = y(t+1)，涵盖所有已观测到上述值的时间点 t（即索引中存在这些时间点）。

在 predict 方法中，给定可能的外生变量 X，在截断时间点 c，

将拟合好的估计器的 predict 方法应用于特征 = y(c), y(c-1), …, y(c-window_size)，如果提供外生变量，还包括：X(c+1)，以获得对 y(c+1) 的预测。如果某个 y(t) 未被观测到，则用通过同样方法获得的预测值代替 - 重复此过程直到获得所有预测值。样本外预测时，这会产生“递归”行为，即在时间点 c+1、c+2 等处的预测值是迭代获得的。样本内预测时，预测值是在一步中获得的，潜在的缺失值通过所选的 impute 策略填充。

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_length整数，可选，默认值为 10

降维算法中使用的窗口长度

impute_method字符串，None，或 sktime 变换器，可选

用于填充滞后数据中缺失值的插补方法

• 默认值 = "bfill"

• 如果是字符串，允许的字符串是 Imputer.method 参数的值，详见文档。要传递更多参数，请直接传递 Imputer 变换器，如下所述。

• 如果是 sktime 变换器，则此变换器将应用于滞后数据。这需要是一个能移除缺失数据的变换器，并且可以是 Imputer。

• 如果是 None，则应用 Lag 变换器时不进行插补

pooling字符串，可选值包括 [“local”, “global”, “panel”] 之一，默认值为 "local"

数据聚合用于拟合有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” = 顶层级别，一个整体降维模型，忽略层级在聚合数据上拟合。“panel” = 倒数第二层级，每个面板级别一个降维模型 (-2)。如果层级数小于或等于 2，则“global”和“panel”结果相同；如果只有 1 个层级（单个时间序列），则这三个设置结果一致。

属性：

cutoff

截断点 = 预测器的“当前时间”状态。

fh

传递的预测范围。

is_fitted

是否已调用 fit 方法。

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预测范围内进行预测。
get_class_tag(tag_name[, tag_value_default])	从类获取类标签值，包括父类的标签继承。
get_class_tags()	从类获取类标签，包括父类的标签继承。
get_config()	获取对象的配置标志。
get_fitted_params([deep])	获取拟合参数。
get_param_defaults()	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，包括标签继承和覆盖。
get_tags()	从实例获取标签，包括标签继承和覆盖。
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 BaseObjects 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])	在未来预测范围内预测时间序列。
predict_interval([fh, X, coverage])	计算/返回预测区间预测值。
predict_proba([fh, X, marginal])	计算/返回完全概率预测值。
predict_quantiles([fh, X, alpha])	计算/返回分位数预测值。
predict_residuals([y, X])	返回时间序列预测的残差。
predict_var([fh, X, cov])	计算/返回方差预测值。
reset()	将对象重置到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 (.zip) 文件。
score(y[, X, fh])	使用 MAPE（非对称）评估预测值与真实值。
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)	将实例级标签覆盖设置为给定值。
update(y[, X, update_params])	更新截断值，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和模型更新。
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')

返回估计器的测试参数设置。

参数：

parameter_set字符串，默认值="default"

要返回的测试参数集的名称，用于测试。如果未为此值定义特殊参数，则返回 "default" 参数集。

返回值：

params字典或字典列表，默认值 = {}

创建类的测试实例的参数。每个字典都是构建一个“有趣的”测试实例的参数，即 MyClass(**params) 或 MyClass(**params[i]) 会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)

检查估计器是否已拟合。

检查估计器是否已拟合。is_fitted 属性应在调用对象的 fit 方法时设置为 True。

如果未拟合，则引发 NotFittedError。

参数：

method_name字符串，可选

调用此方法的函数名称。如果提供，错误消息将包含此信息。

抛出：

NotFittedError

如果估计器尚未拟合。

clone()

获取具有相同超参数和配置的对象的克隆。

克隆是另一个没有共享引用的对象，处于初始化后状态。此函数等效于返回 sklearn.clone 的 self。

等效于使用 self 的参数构造 type(self) 的新实例，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，等效于调用 cloned_self.set_config(**self.get_config())。

在值上也等效于调用 self.reset，不同之处在于 clone 返回新对象，而不是像 reset 那样修改 self`。

抛出：

如果由于 __init__ 错误导致克隆不符合要求，则引发 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。标签可用于存储对象的元数据或控制对象的行为。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

The clone_tags method should be called only in the __init__ method of an object, during construction, or directly after construction via __init__`.` -> `clone_tags` 方法只能在对象的 `__init__` 方法中调用，即在构造过程中或通过 `__init__` 直接构造后调用。

The dynamic tags are set to the values of the tags in estimator`, with the names specified in `tag_names`.` -> 动态标签设置为 `estimator` 中标签的值，名称在 `tag_names` 中指定。

The default of tag_names` writes all tags from `estimator` to `self`.` -> `tag_names` 的默认设置会将 `estimator` 中的所有标签写入 `self`。

Current tag values can be inspected by get_tags` or `get_tag`.` -> 当前标签值可以通过 `get_tags` 或 `get_tag` 进行检查。

estimatorAn instance of :class:BaseObject or derived class

参数：

estimator:class:BaseObject 或派生类的实例

tag_namesstr or list of str, default = None

tag_names字符串或字符串列表，默认值 = None

返回值：

Names of tags to clone. The default (None`) clones all tags from `estimator`.` -> 要克隆的标签名称。默认值 (`None`) 会克隆 `estimator` 中的所有标签。

self

Reference to self`.` -> 对 `self` 的引用。

使用第一个测试参数集构造类的实例。

参数：

parameter_set字符串，默认值="default"

classmethod create_test_instance(parameter_set='default')

返回值：

Name of the set of test parameters to return, for use in tests. If no special parameters are defined for a value, will return “default” set.

要返回的测试参数集的名称，用于测试。如果未为此值定义特殊参数，则返回 “default” 参数集。

创建所有测试实例列表及其名称列表。

参数：

parameter_set字符串，默认值="default"

classmethod create_test_instance(parameter_set='default')

返回值：

instanceinstance of the class with default parameters

instance使用默认参数的类的实例

classmethod create_test_instances_and_names(parameter_set='default')

objslist of instances of cls

objscls 实例列表

截断点 = 预测器的“当前时间”状态。

返回值：

i-th instance is cls(**cls.get_test_params()[i])`

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

nameslist of str, same length as objs

传递的预测范围。

names字符串列表，与 objs 长度相同

将预测器拟合到训练数据。

i-th element is name of i-th instance of obj in tests. The naming convention is {cls.__name__}-{i}` if more than one instance, otherwise `{cls.__name__}`

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

• cutoffpandas compatible index element, or None

• cutoffpandas 兼容的索引元素，或 None

• pandas compatible index element, if cutoff has been set; None otherwise

• pandas 兼容的索引元素，如果已设置截断点；否则为 None

参数：

property fh

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

状态变化

• 状态变为“已拟合”。

• 写入对象本身

• 设置以“_”结尾的拟合模型属性，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 fh 存储到 self.fh。

y采用 sktime 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。

返回值：

Individual data formats in sktime are so-called mtype specifications, each mtype implements an abstract scitype.

`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。

拟合时间序列并在未来预测范围内进行预测。

Series scitype = individual time series, vanilla forecasting. pd.DataFrame`, `pd.Series`, or `np.ndarray` (1D or 2D)

i-th element is name of i-th instance of obj in tests. The naming convention is {cls.__name__}-{i}` if more than one instance, otherwise `{cls.__name__}`

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

• cutoffpandas compatible index element, or None

• cutoffpandas 兼容的索引元素，或 None

• pandas compatible index element, if cutoff has been set; None otherwise

• Series scitype = 个体时间序列，标准预测。pd.DataFrame`，`pd.Series`，或 `np.ndarray` (1D 或 2D)。

参数：

Panel scitype = collection of time series, global/panel forecasting. pd.DataFrame with 2-level row MultiIndex (instance, time)`, `3D np.ndarray` `(instance, variable, time)`, `list` of `Series` typed `pd.DataFrame`

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

状态变化

• 状态变为“已拟合”。

• 写入对象本身

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

将 self.is_fitted 标志设置为 True。

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)`，list` 类型的 Series` 的 pd.DataFrame`。

Hierarchical scitype = hierarchical collection, for hierarchical forecasting. pd.DataFrame with 3 or more level row MultiIndex (hierarchy_1, ..., hierarchy_n, time)`

Hierarchical scitype = 分层集合，用于分层预测。具有 3 个或更多级别行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)` 的 pd.DataFrame`。

y采用 sktime 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。

For further details on data format, see glossary on mtype. For usage, see forecasting tutorial examples/01_forecasting.ipynb`

有关数据格式的更多详情，请参阅 mtype 词汇表。有关使用方法，请参阅预测教程 examples/01_forecasting.ipynb`。

返回值：

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

fh整数，列表，可强制转换为 pd.Index 的对象，或 ForecastingHorizon`，默认值=None

The forecasting horizon encoding the time stamps to forecast at. If self.get_tag("requires-fh-in-fit")` is `True`, must be passed in `fit`, not optional

从类获取类标签值，包括父类的标签继承。

编码预测时间点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，不可选。

Xtime series in sktime` compatible format, optional (default=None).

X采用 sktime 兼容格式的时间序列，可选（默认值=None）。

1. Exogeneous time series to fit the model to. Should be of same scitype (Series`, `Panel`, or `Hierarchical`) as `y`. If `self.get_tag("X-y-must-have-same-index")`, `X.index` must contain `y.index`.`

2. 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`。

selfReference to self.

self对对象的引用。

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

参数：

Same as fit(y, X, fh).predict(X_pred)`. If `X_pred` is not passed, same as `fit(y, fh, X).predict(X)`.`

等同于 fit(y, X, fh).predict(X_pred)`。如果未传递 X_pred`，则等同于 fit(y, fh, X).predict(X)`。

Stores fh` to `self.fh`.`

将 fh` 存储到 self.fh`。

返回值：

ytime series in sktime compatible data container format

y采用 sktime 兼容数据容器格式的时间序列

fhint, list, pd.Index coercible, or ForecastingHorizon` (not optional)

从类获取类标签，包括父类的标签继承。

每个兼容 scikit-base 的对象都有一个标签字典。标签可用于存储对象的元数据或控制对象的行为。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

fh整数，列表，可强制转换为 pd.Index 的对象，或 ForecastingHorizon`（非可选）

The forecasting horizon encoding the time stamps to forecast at.

编码预测时间点的时间戳的预测范围。

1. Exogeneous time series to fit the model to. Should be of same scitype (Series`, `Panel`, or `Hierarchical`) as `y`. If `self.get_tag("X-y-must-have-same-index")`, `X.index` must contain `y.index`.`

2. 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`。

selfReference to self.

If fh is not None and not of type ForecastingHorizon it is coerced to ForecastingHorizon via a call to _check_fh. In particular, if fh is of type pd.Index it is coerced via ForecastingHorizon(fh, is_relative=False)

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) 进行强制转换。

self对对象的引用。

X_predtime series in sktime compatible format, optional (default=None)

X_pred采用 sktime 兼容格式的时间序列，可选（默认值=None）

Exogeneous time series to use in prediction. If passed, will be used in predict instead of X. Should be of same scitype (Series`, `Panel`, or `Hierarchical`) as `y` in `fit`. If `self.get_tag("X-y-must-have-same-index")`, `X.index` must contain `fh` index reference.`

用于预测的外生时间序列。如果传递，则将在预测中代替 X 使用。应与 fit` 中 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。

获取对象的配置标志。

y_predtime series in sktime compatible data container format

y_pred采用 sktime 兼容数据容器格式的时间序列

Point forecasts at fh`, with same index as `fh`. `y_pred` has same type as the `y` that has been passed most recently: `Series`, `Panel`, `Hierarchical` scitype, same format (see above)`

在 fh` 处的点预测，与 fh` 具有相同的索引。y_pred` 的类型与最近传递的 y` 相同：Series`, `Panel`, `Hierarchical` scitype，格式相同（见上文）。

返回值：

classmethod get_class_tag(tag_name, tag_value_default=None)

Every scikit-base compatible object has a dictionary of tags, which are used to store metadata about the object.

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

获取拟合参数。

The get_class_tag` method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.

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

参数：

It returns the value of the tag with name tag_name` from the object, taking into account tag overrides, in the following order of descending priority

它返回对象中名称为 tag_name` 的标签值，按以下降序优先级考虑标签覆盖：

• Tags set in the _tags` attribute of the class.

• 类 _tags` 属性中设置的标签。

返回值：

Tags set in the _tags` attribute of parent classes,

父类 _tags` 属性中设置的标签，

• in order of inheritance.

• 按继承顺序。

• Does not take into account dynamic tag overrides on instances, set via set_tags` or `clone_tags`, that are defined on instances.

不考虑通过 set_tags` 或 `clone_tags` 在实例上设置的动态标签覆盖。

To retrieve tag values with potential instance overrides, use the get_tag` method instead.

返回值：

要检索可能包含实例覆盖的标签值，请改用 get_tag` 方法。

tag_namestr

tag_name字符串

Name of tag value.

参数：

标签值的名称。

tag_value_defaultany type

返回值：

tag_value_default任何类型

Default/fallback value if tag is not found.

未找到标签时的默认/回退值。

获取此对象的参数值字典。

参数：

It returns the value of the tag with name tag_name` from the object, taking into account tag overrides, in the following order of descending priority

tag_value

• tag_value

• Value of the tag_name` tag in `self`. If not found, returns `tag_value_default`.`

返回值：

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

classmethod get_class_tags()

• The get_class_tags` method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.

• 按继承顺序。

• Does not take into account dynamic tag overrides on instances, set via set_tags` or `clone_tags`, that are defined on instances.

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

从实例获取标签值，包括标签继承和覆盖。

每个兼容 scikit-base 的对象都有一个标签字典。标签可用于存储对象的元数据或控制对象的行为。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

It returns a dictionary with keys being keys of any attribute of _tags` set in the class or any of its parent classes.

1. 它返回一个字典，其键是类或其任何父类中设置的 _tags` 属性的任何键。

Values are the corresponding tag values, with overrides in the following order of descending priority

2. Exogeneous time series to fit the model to. Should be of same scitype (Series`, `Panel`, or `Hierarchical`) as `y`. If `self.get_tag("X-y-must-have-same-index")`, `X.index` must contain `y.index`.`

3. 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`。

selfReference to self.

参数：

Same as fit(y, X, fh).predict(X_pred)`. If `X_pred` is not passed, same as `fit(y, fh, X).predict(X)`.`

值是相应的标签值，按以下降序优先级进行覆盖：

Instances can override these tags depending on hyper-parameters.

实例可以根据超参数覆盖这些标签。

To retrieve tags with potential instance overrides, use the get_tags` method instead.

要检索可能包含实例覆盖的标签，请改用 get_tags` 方法。

返回值：

For including overrides from dynamic tags, use get_tags`.`

要包含来自动态标签的覆盖，请使用 get_tags`。

抛出：

collected_tags

collected_tags

Dictionary of tag name : tag value pairs. Collected from _tags` class attribute via nested inheritance. NOT overridden by dynamic tags set by set_tags` or `clone_tags`.`

从实例获取标签，包括标签继承和覆盖。

每个兼容 scikit-base 的对象都有一个标签字典。标签可用于存储对象的元数据或控制对象的行为。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

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。

编码预测时间点的时间戳的预测范围。

1. 它返回一个字典，其键是类或其任何父类中设置的 _tags` 属性的任何键。

Values are the corresponding tag values, with overrides in the following order of descending priority

2. Exogeneous time series to fit the model to. Should be of same scitype (Series`, `Panel`, or `Hierarchical`) as `y`. If `self.get_tag("X-y-must-have-same-index")`, `X.index` must contain `y.index`.`

3. 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`。

selfReference to self.

返回值：

get_config()

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()

检查对象是否由其他 BaseObjects 组成。

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。

返回值：

composite: bool

对象是否具有任何参数，其值为 BaseObject 的后代实例。

property is_fitted

是否已调用 fit 方法。

检查对象的 _is_fitted` attribute that should initialize to ``False 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。

返回值：

bool

估计器是否已进行 fit。

classmethod load_from_path(serial)

从文件位置加载对象。

参数：

serialZipFile(path).open(“object) 的结果

返回值：

反序列化后的 self，结果输出到 path，由 cls.save(path) 生成。

classmethod load_from_serial(serial)

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：

反序列化后的 self，结果为输出 serial，由 cls.save(None) 生成。

predict(fh=None, X=None)

在未来预测范围内预测时间序列。

The get_class_tag` method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.

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

property cutoff

如果 fh 被传递且之前未传递过，则将 fh 存储到 self.fh。

参数：

将 self.cutoff 设置为在 y 中看到的最后一个索引。

预测范围，编码要预测的时间戳。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，不是可选的

Hierarchical scitype = 分层集合，用于分层预测。具有 3 个或更多级别行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)` 的 pd.DataFrame`。

X符合 sktime 格式的时间序列，可选（默认为 None）

用于预测的外部时间序列。应与 fit 中 y 的科学类型（Series, Panel, 或 Hierarchical）相同。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 的索引引用。

返回值：

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

fh整数，列表，可强制转换为 pd.Index 的对象，或 ForecastingHorizon`，默认值=None

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

计算/返回预测区间预测值。

如果 coverage 是可迭代的，将计算多个区间。

The get_class_tag` method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.

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

property cutoff

如果 fh 被传递且之前未传递过，则将 fh 存储到 self.fh。

参数：

将 self.cutoff 设置为在 y 中看到的最后一个索引。

预测范围，编码要预测的时间戳。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，不是可选的

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 或类数组的 int，则将其解释为相对预测范围，并强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。

• 如果 fh 是 pd.Index 类型，则将其解释为绝对预测范围，并强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

X符合 sktime 格式的时间序列，可选（默认为 None）

用于预测的外部时间序列。应与 fit 中 y 的科学类型（Series, Panel, 或 Hierarchical）相同。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 的索引引用。

coverage浮点数或包含唯一浮点数值的列表，可选（默认为 0.90）

预测区间(s)的名义覆盖度(s)

返回值：

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比例。

顺序与输入 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，附加（上层）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 类型。

条目是区间下限/上限的预测值，

对应于列索引中的变量，在第二级列索引指定的名义覆盖度下，取决于第三级列索引是 lower/upper，对应于行索引的时间点。区间上限/下限预测值等同于在 alpha = 0.5 - c/2, 0.5 + c/2 (c 是 coverage 中的值) 处的分位数预测值。

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

计算/返回完全概率预测值。

Note

• 当前仅对 Series（非面板、非层级）类型的 y 实现了此功能。

• 返回的分布对象需要安装 skpro。

The get_class_tag` method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.

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

property cutoff

如果 fh 被传递且之前未传递过，则将 fh 存储到 self.fh。

参数：

将 self.cutoff 设置为在 y 中看到的最后一个索引。

预测范围，编码要预测的时间戳。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，不是可选的

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 或类数组的 int，则将其解释为相对预测范围，并强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。

• 如果 fh 是 pd.Index 类型，则将其解释为绝对预测范围，并强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

X符合 sktime 格式的时间序列，可选（默认为 None）

用于预测的外部时间序列。应与 fit 中 y 的科学类型（Series, Panel, 或 Hierarchical）相同。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 的索引引用。

marginal布尔值，可选（默认为 True）

返回的分布是否是按时间索引的边际分布

返回值：

pred_distskpro BaseDistribution

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

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

计算/返回分位数预测值。

如果 alpha 是可迭代的，将计算多个分位数。

The get_class_tag` method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.

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

property cutoff

如果 fh 被传递且之前未传递过，则将 fh 存储到 self.fh。

参数：

将 self.cutoff 设置为在 y 中看到的最后一个索引。

预测范围，编码要预测的时间戳。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，不是可选的

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 或类数组的 int，则将其解释为相对预测范围，并强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。

• 如果 fh 是 pd.Index 类型，则将其解释为绝对预测范围，并强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

X符合 sktime 格式的时间序列，可选（默认为 None）

用于预测的外部时间序列。应与 fit 中 y 的科学类型（Series, Panel, 或 Hierarchical）相同。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 的索引引用。

alpha浮点数或包含唯一浮点数值的列表，可选（默认为 [0.05, 0.95]）

计算分位数预测值时的概率或概率列表。

返回值：

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，附加（上层）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 类型。

条目是分位数预测值，对应于列索引中的变量，

在第二级列索引指定的分位数概率下，对应于行索引的时间点。

predict_residuals(y=None, X=None)

返回时间序列预测的残差。

将根据 y.index 的预测值计算残差。

如果 fit 中必须传递 fh，则必须与 y.index 一致。如果 y 是一个 np.ndarray，并且在 fit 中没有传递 fh，则残差将在 range(len(y.shape[0])) 的 fh 处计算。

The get_class_tag` method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.

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

property cutoff

无。

参数：

Panel scitype = collection of time series, global/panel forecasting. pd.DataFrame with 2-level row MultiIndex (instance, time)`, `3D np.ndarray` `(instance, variable, time)`, `list` of `Series` typed `pd.DataFrame`

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

如果为 None，则使用目前为止看到的 y (self._y)，特别是

• 如果之前只调用了一次 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

X符合 sktime 格式的时间序列，可选（默认为 None）

用于更新和预测的外部时间序列。应与 fit 中 y 的科学类型（Series, Panel, 或 Hierarchical）相同。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须同时包含 fh 的索引引用和 y.index。

返回值：

y_res符合 sktime 格式的数据容器中的时间序列

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

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

计算/返回方差预测值。

The get_class_tag` method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.

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

property cutoff

如果 fh 被传递且之前未传递过，则将 fh 存储到 self.fh。

参数：

将 self.cutoff 设置为在 y 中看到的最后一个索引。

预测范围，编码要预测的时间戳。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，不是可选的

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 或类数组的 int，则将其解释为相对预测范围，并强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。

• 如果 fh 是 pd.Index 类型，则将其解释为绝对预测范围，并强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

X符合 sktime 格式的时间序列，可选（默认为 None）

用于预测的外部时间序列。应与 fit 中 y 的科学类型（Series, Panel, 或 Hierarchical）相同。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 的索引引用。

cov布尔值，可选（默认为 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 类型。

条目是方差预测值，对应于列索引中的变量。给定变量和 fh 索引的方差预测值是一个预测的

该变量和索引的方差，基于观测到的数据。

如果 cov=True

列索引是多级索引：第一级是变量名（如上所述）

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 类型。

条目是（协）方差预测值，对应于列索引中的变量，以及

行索引和列索引中时间点之间的协方差。

注意：不同变量之间不返回协方差预测值。

reset()

将对象重置到干净的初始化后状态。

结果是将 self 设置为其在构造函数调用后的状态，具有相同的超参数。通过 set_config 设置的配置值也会被保留。

调用 reset 会删除所有对象属性，除了

• 超参数 = 写入到 self 的 __init__ 的参数，例如 self.paramname，其中 paramname 是 __init__ 的一个参数。

• 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，配置会被保留且不变。也就是说，调用 reset 前后 get_config 的结果是相同的。

类方法、对象方法以及类属性也不受影响。

等同于 clone，但 reset 是改变 self 自身而不是返回一个新对象。

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

返回值：

Names of tags to clone. The default (None`) clones all tags from `estimator`.` -> 要克隆的标签名称。默认值 (`None`) 会克隆 `estimator` 中的所有标签。

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 (.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 - 序列化后的 self。此类别使用默认序列化方式 (pickle)。

参数：

pathNone 或文件位置（字符串或 Path 对象）

如果为 None，则将 self 保存到内存对象；如果是文件位置，则将 self 保存到该文件位置。例如，如果

• path=”estimator”，则将在当前工作目录生成一个 zip 文件 estimator.zip。

• path=”/home/stored/estimator”，则将生成一个 zip 文件 estimator.zip 并

存储在 /home/stored/ 中。

serialization_format: str, 默认为 “pickle”

用于序列化的模块。可用选项包括“pickle”和“cloudpickle”。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 - ZipFile 对象引用该文件

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

使用 MAPE（非对称）评估预测值与真实值。

参数：

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

要评分的时间序列

将 self.cutoff 设置为在 y 中看到的最后一个索引。

Hierarchical scitype = hierarchical collection, for hierarchical forecasting. pd.DataFrame with 3 or more level row MultiIndex (hierarchy_1, ..., hierarchy_n, time)`

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

用于评分的外部时间序列。如果 self.get_tag(“X-y-must-have-same-index”) 为 True，X.index 必须包含 y.index

返回值：

score浮点数

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

See also

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：

classmethod get_class_tag(tag_name, tag_value_default=None)

配置名称: 配置值对的字典。有效的配置、值及其含义如下所列

display字符串，“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，默认为 True

打印 self 时是否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）。不进行嵌套，即仅影响 self，不影响组件估计器。

warnings字符串，“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:parallel字符串，可选，默认为“None”

广播/向量化时用于并行的后端，可以是以下之一

• “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，需要环境中安装 dask 包

• “ray”：使用 ray，需要环境中安装 ray 包

backend:parallel:params字典，可选，默认为 {}（不传递参数）

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”：没有附加参数，忽略 backend_params

• “loky”、“multiprocessing”和“threading”：默认的 joblib 后端，可以在此处传递 joblib.Parallel 的任何有效键，例如 n_jobs，但 backend 除外，它直接由 backend 控制。如果未传递 n_jobs，它将默认为 -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。可以在此处传递 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 的一个键传递。如果未传递 n_jobs，它将默认为 -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”：布尔值，默认为 True；False 阻止 ray 在

    并行化后关闭。

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

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

remember_data布尔值，默认为 True

在 fit 中是否存储 self._X 和 self._y，并在 update 中更新。如果为 True，则存储并更新 self._X 和 self._y。如果为 False，则不存储和更新 self._X 和 self._y。这在使用 save 时减小了序列化大小，但 update 将默认为“不做任何事情”，而不是“重新拟合所有已见数据”。

返回值：

self对 self 的引用。

Notes

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 对象以及复合对象。参数键字符串 <component>__<parameter> 可用于复合对象（即包含其他对象的对象），以访问组件 <component> 中的 <parameter>。如果引用是明确的（例如，没有两个组件参数具有相同的名称 <parameter>），也可以使用不带 <component>__ 的字符串 <parameter>。

参数：

**params字典

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

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')

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，并使用 set_params 将它们设置为从输入的 random_state 派生出的整数。这些整数通过 sample_dependent_seed 的链式哈希进行采样，保证了 seeded 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 时应用于其余组件对象。

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 会重置任何 scikit-base 对象，即使那些没有 random_state 参数的对象也会被重置。

参数：

random_state整数，RandomState 实例或 None，默认为 None

伪随机数生成器，用于控制随机整数的生成。传递整数可在多次函数调用中产生可复现的输出。

It returns the value of the tag with name tag_name` from the object, taking into account tag overrides, in the following order of descending priority

是否在值为 skbase 对象的参数中设置随机状态，即组件估计器中。

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

• 如果为 True，则也会设置组件对象中的 random_state 参数。

self_policy字符串，取值范围为 {“copy”, “keep”, “new”} 之一，默认为“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 设置为一个新的随机状态，

派生自输入的 random_state，并且通常与它不同

返回值：

self对 self 的引用

set_tags(**tag_dict)

将实例级标签覆盖设置为给定值。

编码预测时间点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，不可选。

标签是特定于实例 self 的键值对，它们是对象构建后不会更改的静态标志。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 方法只能在对象的 __init__ 方法中，在构建期间，或通过 __init__ 构建后直接调用。

estimatorAn instance of :class:BaseObject or derived class

参数：

**tag_dict字典

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)

更新截断值，并可选地更新拟合参数。

如果没有实现估计器特定的 update 方法，默认的回退行为如下

• update_params=True：拟合所有目前为止观测到的数据

• update_params=False：仅更新 cutoff 并记住数据

The get_class_tag` method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.

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

property cutoff

• 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：

property fh

用于更新预测器的时间序列。

状态变化

• 状态变为“已拟合”。

• 写入对象本身

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

将 self.is_fitted 标志设置为 True。

y采用 sktime 兼容数据容器格式的时间序列。

用于更新模型拟合的外部时间序列。应与 y 的 科学类型（Series, Panel, 或 Hierarchical）相同。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 y.index。

update_params布尔值，可选（默认为 True）

是否应该更新模型参数。如果为 False，则仅更新截止点 (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)

在测试集上迭代进行预测和模型更新。

执行多个 update / predict 调用链的简写，数据回放基于时间序列分割器 cv。

等同于以下操作（如果只有 y、cv 不是默认值）

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

2. 记住 self.predict() 的结果（稍后在单个批次中返回）

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

4. 记住 self.predict() 的结果（稍后在单个批次中返回）

5. 等等

6. 返回所有记住的预测值

如果没有实现估计器特定的 update 方法，默认的回退行为如下

• update_params=True：拟合所有目前为止观测到的数据

• update_params=False：仅更新 cutoff 并记住数据

The get_class_tag` method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.

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：

property fh

用于更新预测器的时间序列。

状态变化

• 状态变为“已拟合”。

• 写入对象本身

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

将 self.is_fitted 标志设置为 True。

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 = 使用 initial_window=1 的 ExpandingWindowSplitter 和默认值 = y/X 中的单个数据点被逐个添加和预测，initial_window = 1，step_length = 1 且 fh = 1

X符合 sktime 格式的时间序列，可选（默认为 None）

用于更新和预测的外部时间序列。应与 fit 中 y 的科学类型（Series, Panel, 或 Hierarchical）相同。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 的索引引用。

update_params布尔值，可选（默认为 True）

是否应该更新模型参数。如果为 False，则仅更新截止点 (cutoff)，模型参数（例如系数）不更新。

reset_forecaster布尔值，可选（默认为 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，self 的截止点 (cutoff)、模型参数、数据内存均不改变

• 如果为 False，则在运行 update/predict 序列时会更新 self，如同直接调用 update/predict 一样

返回值：

y_pred表格化多个分割批次的点预测值的对象

格式取决于预测的 (cutoff, 绝对预测范围) 对

• 如果绝对预测范围点的集合是唯一的：类型是符合 sktime 格式的数据容器中的时间序列 输出中省略 cutoff 与最近传递的 y 类型相同：Series, Panel, Hierarchical 科学类型，格式相同（见上文）

• 如果绝对预测范围点的集合不唯一：类型是一个 pandas DataFrame，其行索引和列索引都是时间戳 行索引对应于用于预测的 cutoff 列索引对应于预测的绝对预测范围 条目是从行索引预测列索引的点预测值 如果在该 (cutoff, horizon) 对下没有进行预测，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。

此方法适用于在一个步骤中进行更新和预测。

如果没有实现估计器特定的 update 方法，默认的回退行为是先 update，然后 predict。

The get_class_tag` method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.

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

访问 self 中的内容

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，则为以“_”结尾的模型属性。

property cutoff

通过追加行，使用 y 和 X 更新 self._y 和 self._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：

property fh

用于更新预测器的时间序列。

状态变化

• 状态变为“已拟合”。

• 写入对象本身

• 设置以“_”结尾的拟合模型属性，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。

预测范围，编码要预测的时间戳。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，不是可选的

X符合 sktime 格式的时间序列，可选（默认为 None）

用于更新和预测的外部时间序列。应与 fit 中 y 的科学类型（Series, Panel, 或 Hierarchical）相同。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 的索引引用。

update_params布尔值，可选（默认为 True）

是否应该更新模型参数。如果为 False，则仅更新截止点 (cutoff)，模型参数（例如系数）不更新。

返回值：

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

fh整数，列表，可强制转换为 pd.Index 的对象，或 ForecastingHorizon`，默认值=None