DartsLinearRegressionModel#

class DartsLinearRegressionModel(past_covariates: list[str] | None = None, num_samples: int | None = 1000, lags: int | list[int] | dict[str, int | list[int]] | None = None, lags_past_covariates: int | list[int] | dict[str, int | list[int]] | None = None, lags_future_covariates: tuple[int, int] | list[int] | dict[str, tuple[int, int] | list[int]] | None = None, output_chunk_length: int | None = 1, add_encoders: dict | None = None, likelihood: str | None = None, quantiles: list[float] | None = None, random_state: int | None = None, multi_models: bool | None = True, use_static_covariates: bool | None = True, kwargs: dict | None = None)[source]#

Darts 线性回归评估器。

这基于 Unit8 在 darts [1] 中实现的回归模型。

参数：
lagsint、list 或 dict 之一，默认值=None

用于预测下一时间步的滞后目标值。如果给定整数，则使用最后 lags 个过去滞后（从 -1 开始向后）。否则，需要一个包含滞后整数的列表（每个滞后必须 < 0）。如果给定字典，则键对应于分量名称（使用多个序列时是第一个序列），值对应于分量滞后（整数或整数列表）。

lags_past_covariatesint、list 或 dict 之一，默认值=None

用于预测下一时间步的滞后 past_covariates 值数量。如果给定整数，则使用最后 lags_past_covariates 个过去滞后（包括，从滞后 -1 开始）。否则，需要一个包含滞后 < 0 整数的列表。如果给定字典，则键对应于 past_covariates 分量名称（使用多个序列时是第一个序列），值对应于分量滞后（整数或整数列表）。

lags_future_covariatestuple、list 或 dict 之一，默认值=None

用于预测下一时间步的滞后 future_covariates 值数量。如果给定元组 (past, future)，则使用过去最后 past 个滞后（包括，从滞后 -1 开始），以及未来前 future 个滞后（从 0 - 预测时间 - 到 future - 1，包括）。否则，需要一个包含滞后整数的列表。如果给定字典，则键对应于 future_covariates 分量名称（使用多个序列时是第一个序列），值对应于分量滞后（整数或整数列表）。

output_chunk_lengthint，默认值=1

内部回归模型一次预测的时间步长数量。不必等于 predict() 中使用的预测范围 n。然而，如果协变量在未来延伸不够远，将 output_chunk_length 设置为等于预测范围可能会很有用。

add_encodersdict，默认值=None

可以使用 add_encoders 自动生成大量过去和未来协变量。这可以通过添加多个预定义的索引编码器和/或用作索引编码器的自定义用户函数来实现。此外，还可以添加转换器，例如 Darts 的 Scaler，来转换生成的协变量。这一切都一次性完成，只需在模型创建时指定即可。阅读 SequentialEncoder 以了解更多关于 add_encoders 的信息。默认值：None。显示 add_encoders 部分功能的示例

add_encoders={
    'cyclic': {'future': ['month']},
    'datetime_attribute': {'future': ['hour', 'dayofweek']},
    'position': {'past': ['relative'], 'future': ['relative']},
    'custom': {'past': [lambda idx: (idx.year - 1950) / 50]},
    'transformer': Scaler()
}
likelihoodstr，默认值=None

可以设置为 poisson 或 quantile。如果设置，模型将是概率性的，允许在预测时进行抽样。这将覆盖任何 objective 参数。

quantileslist，默认值=None

如果 likelihood 设置为 quantile，则将模型拟合到这些分位数。

random_stateint，默认值=None

控制拟合过程和抽样中的随机性。默认值：None。

multi_modelsbool，默认值=True

如果为 True，则为每个未来滞后训练一个单独的模型进行预测。如果为 False，则训练一个单一模型来预测未来步长 'output_chunk_length'。默认值：True。

use_static_covariates: bool, 默认值=True

当传递给 fit() 的输入 series 包含静态协变量时，模型是否应使用静态协变量信息。如果 True，并且在拟合时存在静态协变量，则将强制要求所有目标 series 在 fit() 和 predict() 中具有相同的静态协变量维度。

past_covariateslist，默认值=None

X 中仅在历史数据中已知的列名，默认为 None

num_samplesint，默认值=1000

从概率模型中抽取预测样本的次数，默认为 1000

kwargs

传递给 sklearn.linear_model.LinearRegression（默认）、如果 likelihood 是 poisson 则传递给 sklearn.linear_model.PoissonRegressor、如果 likelihood 是 quantile 则传递给 sklearn.linear_model.QuantileRegressor 的额外关键字参数。作为字典传递以符合 sklearn 的 API。默认值：None。

属性：
cutoff

截止时间 = 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。

注意

如果未指定，所有列将被假定在预测期间已知。

参考

方法

check_is_fitted([method_name])

检查评估器是否已拟合。

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。

convert_dataframe_to_timeseries(dataset)

转换数据集以便与 darts 兼容。

convert_exogenous_dataset(dataset)

如果可用，将外部特征转换为与 darts 兼容。

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])

在未来范围拟合和预测时间序列。

get_class_tag(tag_name[, tag_value_default])

从类获取类标签值，带有父类的标签级别继承。

get_class_tags()

从类获取类标签，带有父类的标签级别继承。

get_config()

获取 self 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，带有标签级别继承和覆盖。

get_tags()

从实例获取标签，带有标签级别继承和覆盖。

get_test_params([parameter_set])

返回评估器的测试参数设置。

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 self 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，并可选地更新拟合参数。

update_predict(y[, cv, X, update_params, ...])

对测试集进行迭代预测和模型更新。

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]#

返回评估器的测试参数设置。

参数：
parameter_setstr，默认值=”default”

要返回的测试参数集名称，用于测试。如果未为某个值定义特殊参数，则将返回“default”集。当前预测器没有保留值。

返回值：
paramsdict 或 list of dict，默认值 = {}

用于创建类的测试实例的参数

check_is_fitted(method_name=None)[source]#

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

调用此函数的方法的名称。如果提供，错误消息将包含此信息。

抛出：
NotFittedError

如果评估器尚未拟合。

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。

等同于构造一个新的 type(self) 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，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())。

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

抛出：
如果由于 __init__ 错误导致克隆不符合规范，则抛出 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。

标签是特定于实例 self 的键值对，它们是对象构造后不会改变的静态标志。

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__ 直接构造后调用。

动态标签设置为 estimator 中标签的值，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 查看。

参数：
estimatorBaseObject 或派生类的实例
tag_namesstr 或 list of str，默认值 = None

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

返回值：
self

对 self 的引用。

static convert_dataframe_to_timeseries(dataset: DataFrame)[source]#

转换数据集以便与 darts 兼容。

参数：
datasetpandas.DataFrame

要转换的源数据集

返回值：
darts.TimeSeries

转换后的目标数据集

convert_exogenous_dataset(dataset: DataFrame | None)[source]#

如果可用，将外部特征转换为与 darts 兼容。

参数：
datasetOptional[pandas.DataFrame]

关于外部特征的可用数据

返回值：
Tuple[darts.TimeSeries, darts.TimeSeries]

未来已知和未来未知外部特征的转换数据

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，默认值=”default”

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

返回值：
instance具有默认参数的类实例
classmethod create_test_instances_and_names(parameter_set='default')[source]#

创建所有测试实例列表及其名称列表。

参数：
parameter_setstr，默认值=”default”

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

返回值：
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 obj 在测试中的第 i 个实例的名称。如果实例多于一个，命名约定为 {cls.__name__}-{i}，否则为 {cls.__name__}

property cutoff[source]#

截止时间 = 预测器的“当前时间”状态。

返回值：
cutoffpandas 兼容的索引元素，或 None

如果已设置截止时间，则为 pandas 兼容的索引元素；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。

状态改变

将状态更改为“已拟合”。

写入 self

  • 设置以 “_” 结尾的拟合模型属性，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 fh 被传递，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，每个 mtype 实现一个抽象的 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)，Series 类型 pd.DataFrame 列表

  • 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

有关数据格式的更多详细信息，请参见 mtype 术语表。有关用法，请参见预测教程 examples/01_forecasting.ipynb

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

编码预测时间戳的预测范围。如果 self.get_tag("requires-fh-in-fit") 为 True，则必须在 fit 中传递，非可选。

Xsktime 兼容格式的时间序列，可选（默认为 None）。

用于拟合模型的外部时间序列。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]#

在未来范围拟合和预测时间序列。

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)。

状态改变

将状态更改为“已拟合”。

写入 self

  • 设置以 “_” 结尾的拟合模型属性，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，每个 mtype 实现一个抽象的 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)，Series 类型 pd.DataFrame 列表

  • 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

有关数据格式的更多详细信息，请参见 mtype 术语表。有关用法，请参见预测教程 examples/01_forecasting.ipynb

fhint, list, pd.Index 可强制转换类型, 或 ForecastingHorizon（非可选）

编码预测时间戳的预测范围。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则会通过调用 _check_fh 将其强制转换为 ForecastingHorizon。特别是，如果 fh 是 pd.Index 类型，则会通过 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）。

用于拟合模型的外部时间序列。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 (默认值为 None)

用于预测的外部时间序列。如果传入，将代替 X 用于预测。应该具有与 fit 中 y 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 处的点预测值，具有与 fh 相同的索引。y_pred 具有最近传入的 y 的相同类型：Series、Panel、Hierarchical scitype，相同的格式 (见上文)

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

从类获取类标签值，带有父类的标签级别继承。

每个 scikit-base 兼容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，仅考虑类级别标签值和覆盖，检索标签的值。

它返回对象中名称为 tag_name 的标签值，考虑标签覆盖，按以下优先级递减的顺序：

  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。

不考虑实例上的动态标签覆盖，这些覆盖通过 set_tags 或 clone_tags 在实例上设置。

要检索可能带有实例覆盖的标签值，请改用 get_tag 方法。

参数：
tag_namestr

标签值的名称。

tag_value_default任何类型

如果找不到标签，则使用的默认/备用值。

返回值：
tag_value

self 中 tag_name 标签的值。如果找不到，则返回 tag_value_default。

classmethod get_class_tags()[source]#

从类获取类标签，带有父类的标签级别继承。

每个 scikit-base 兼容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。

标签是特定于实例 self 的键值对，它们是对象构造后不会改变的静态标志。

get_class_tags 方法是一个类方法，仅考虑类级别标签值和覆盖，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 的任何属性的键。

值是相应的标签值，带有覆盖，按以下优先级递减的顺序：

  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。

要检索可能带有实例覆盖的标签，请改用 get_tags 方法。

不考虑实例上的动态标签覆盖，这些覆盖通过 set_tags 或 clone_tags 在实例上设置。

要包含动态标签的覆盖，请使用 get_tags。

collected_tagsdict

标签名称：标签值对字典。通过嵌套继承从 _tags 类属性收集。未被通过 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时标志。

get_config 返回动态配置，它们会覆盖默认配置。

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。

配置在调用 clone 或 reset 时保留。

返回值：
config_dictdict

配置名称：配置值对字典。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]#

获取拟合参数。

所需状态

需要状态为“已拟合”。

参数：
deep布尔值，默认为 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（= BaseEstimator 类型参数）的已拟合参数。

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

返回值：
fitted_params键为 str 值的字典

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，例如通过 get_param_names，值是此对象该键的已拟合参数值

  • 如果 deep=True，还包含组件参数的键值对，组件的参数索引方式为 [componentname]__[paramname]，componentname 的所有参数都显示为带有其值的 paramname

  • 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 在 __init__ 中定义了默认值的所有参数。值是 __init__ 中定义的默认值。

classmethod get_param_names(sort=True)[source]#

获取对象的参数名称。

参数：
sort布尔值，默认为 True

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

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__ 中出现的相同顺序。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：
deep布尔值，默认为 True

是否返回组件的参数。

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

  • 如果 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：
params键为 str 值的字典

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，例如通过 get_param_names，值是此对象该键的参数值，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，组件的参数索引方式为 [componentname]__[paramname]，componentname 的所有参数都显示为带有其值的 paramname

  • 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，带有标签级别继承和覆盖。

每个 scikit-base 兼容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。

标签是特定于实例 self 的键值对，它们是对象构造后不会改变的静态标志。

get_tag 方法从实例检索名称为 tag_name 的单个标签值，考虑标签覆盖，按以下优先级递减的顺序：

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

在实例构造时。

  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。

参数：
tag_namestr

要检索的标签名称

tag_value_default任何类型，可选；默认值=None

如果找不到标签，则使用的默认/备用值

raise_error布尔值

当找不到标签时是否引发 ValueError

返回值：
tag_valueAny

self 中 tag_name 标签的值。如果找不到，则在 raise_error 为 True 时引发错误，否则返回 tag_value_default。

抛出：
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，带有标签级别继承和覆盖。

每个 scikit-base 兼容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。

标签是特定于实例 self 的键值对，它们是对象构造后不会改变的静态标志。

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 _tags 的任何属性的键，或通过 set_tags 或 clone_tags 设置的标签。

值是相应的标签值，带有覆盖，按以下优先级递减的顺序：

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

在实例构造时。

  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。

返回值：
collected_tagsdict

标签名称：标签值对字典。通过嵌套继承从 _tags 类属性收集，然后是来自 _tags_dynamic 对象属性的任何覆盖和新标签。

is_composite()[source]#

检查对象是否由其他 BaseObjects 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

对象是否有任何参数的值是 BaseObject 后代实例。

property is_fitted[source]#

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。

返回值：
布尔值

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 self，产生在 path 处的输出，由 cls.save(path) 生成
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：
产生输出 serial 的反序列化 self，由 cls.save(None) 生成
predict(fh=None, X=None)[source]#

在未来范围预测时间序列。

所需状态

需要状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问：

  • 结尾为“_”的已拟合模型属性。

  • self.cutoff，self.is_fitted

写入 self

如果传入了 fh 且之前未传入，则将 fh 存储到 self.fh。

参数：
fhint, list, pd.Index 可强制转换类型, 或 ForecastingHorizon，默认值=None

编码预测时间戳的预测范围。如果在 fit 中已传入，则不应再次传入。如果未在 fit 中传入，则必须传入，不可选。

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

Xsktime 兼容格式的时间序列，可选 (默认值为 None)

用于预测的外部时间序列。应该具有与 fit 中 y 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 处的点预测值，具有与 fh 相同的索引。y_pred 具有最近传入的 y 的相同类型：Series、Panel、Hierarchical scitype，相同的格式 (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 是可迭代的，将计算多个区间。

所需状态

需要状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问：

  • 结尾为“_”的已拟合模型属性。

  • self.cutoff，self.is_fitted

写入 self

如果传入了 fh 且之前未传入，则将 fh 存储到 self.fh。

参数：
fhint, list, pd.Index 可强制转换类型, 或 ForecastingHorizon，默认值=None

编码预测时间戳的预测范围。如果在 fit 中已传入，则不应再次传入。如果未在 fit 中传入，则必须传入，不可选。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则会在内部被强制转换为 ForecastingHorizon (通过 _check_fh)。

  • 如果 fh 是 int 或 int 的 array-like，则将其解释为相对范围，并被强制转换为相对 ForecastingHorizon(fh, is_relative=True)。

  • 如果 fh 是 pd.Index 类型，则将其解释为绝对范围，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 (默认值为 None)

用于预测的外部时间序列。应该具有与 fit 中 y 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。

coverage浮点数或包含唯一浮点数的列表，可选 (默认值为 0.90)

预测区间(s) 的标称覆盖率

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，额外的 (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。

条目是区间下限/上限的预测值，

对于列索引中的变量，在第二列索引中的标称覆盖率下，根据第三列索引是 lower 或 upper，对于该行索引。区间上限/下限预测值等同于在 alpha = 0.5 - c/2, 0.5 + c/2 处的分位数预测值，其中 c 在 coverage 中。

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 Panel、非 Hierarchical) y 实现。

  • 返回的分布对象需要安装 skpro。

所需状态

需要状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问：

  • 结尾为“_”的已拟合模型属性。

  • self.cutoff，self.is_fitted

写入 self

如果传入了 fh 且之前未传入，则将 fh 存储到 self.fh。

参数：
fhint, list, pd.Index 可强制转换类型, 或 ForecastingHorizon，默认值=None

编码预测时间戳的预测范围。如果在 fit 中已传入，则不应再次传入。如果未在 fit 中传入，则必须传入，不可选。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则会在内部被强制转换为 ForecastingHorizon (通过 _check_fh)。

  • 如果 fh 是 int 或 int 的 array-like，则将其解释为相对范围，并被强制转换为相对 ForecastingHorizon(fh, is_relative=True)。

  • 如果 fh 是 pd.Index 类型，则将其解释为绝对范围，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 (默认值为 None)

用于预测的外部时间序列。应该具有与 fit 中 y 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。

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

预测分布，如果 marginal=True，将是按时间点的边际分布；如果 marginal=False 且方法已实现，将是联合分布

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

需要状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问：

  • 结尾为“_”的已拟合模型属性。

  • self.cutoff，self.is_fitted

写入 self

如果传入了 fh 且之前未传入，则将 fh 存储到 self.fh。

参数：
fhint, list, pd.Index 可强制转换类型, 或 ForecastingHorizon，默认值=None

编码预测时间戳的预测范围。如果在 fit 中已传入，则不应再次传入。如果未在 fit 中传入，则必须传入，不可选。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则会在内部被强制转换为 ForecastingHorizon (通过 _check_fh)。

  • 如果 fh 是 int 或 int 的 array-like，则将其解释为相对范围，并被强制转换为相对 ForecastingHorizon(fh, is_relative=True)。

  • 如果 fh 是 pd.Index 类型，则将其解释为绝对范围，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 (默认值为 None)

用于预测的外部时间序列。应该具有与 fit 中 y 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。

alpha浮点数或包含唯一浮点数的列表，可选 (默认值为 [0.05, 0.95])

计算分位数预测值的一个或多个概率。

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，额外的 (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。

条目是分位数预测值，对于列索引中的变量，

在第二列索引中的分位数概率下，对于该行索引。

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

返回时间序列预测的残差。

将计算 y.index 处的预测残差。

如果必须在 fit 中传入 fh，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 fh 为 range(len(y.shape[0])) 处计算残差

所需状态

需要状态为“已拟合”。如果已设置 fh，则必须与 y 的索引 (pandas 或整数) 对应。

在 self 中访问：

结尾为“_”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 的预期返回值具有相同的类型、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

  • 如果前面只有一次 fit 调用，则产生样本内残差

  • 如果 fit 需要 fh，则必须指向 fit 中 y 的索引

Xsktime 兼容格式的时间序列，可选 (默认值为 None)

用于更新和预测的外部时间序列。应该具有与 fit 中 y 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

在 fh` 处预测残差，具有与 ``fh 相同的索引。y_res 具有最近传入的 y 的相同类型：Series、Panel、Hierarchical scitype，相同的格式 (见上文)

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

计算/返回方差预测。

所需状态

需要状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问：

  • 结尾为“_”的已拟合模型属性。

  • self.cutoff，self.is_fitted

写入 self

如果传入了 fh 且之前未传入，则将 fh 存储到 self.fh。

参数：
fhint, list, pd.Index 可强制转换类型, 或 ForecastingHorizon，默认值=None

编码预测时间戳的预测范围。如果在 fit 中已传入，则不应再次传入。如果未在 fit 中传入，则必须传入，不可选。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则会在内部被强制转换为 ForecastingHorizon (通过 _check_fh)。

  • 如果 fh 是 int 或 int 的 array-like，则将其解释为相对范围，并被强制转换为相对 ForecastingHorizon(fh, is_relative=True)。

  • 如果 fh 是 pd.Index 类型，则将其解释为绝对范围，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 (默认值为 None)

用于预测的外部时间序列。应该具有与 fit 中 y 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。

cov布尔值，可选 (默认为 False)

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

返回值：
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，额外的级别等于实例级别，

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

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

条目是方差预测值，对于列索引中的变量。给定变量和 fh 索引的方差预测值是预测的

在给定观测数据下，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 (同上)

行索引是 fh，额外的级别等于实例级别，

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

第二级是 fh。

条目是 (协)方差预测值，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值。

将对象重置为干净的初始化后状态。

reset()[source]#

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

  • 调用 reset 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（即字符串“__”）的对象属性。例如，名为“__myattr”的属性会保留。

配置属性，配置不变地保留。即，reset 前后 get_config 的结果相同。

类和对象方法，以及类属性也不受影响。

等同于 clone，除了 reset 会修改 self 而不是返回一个新的对象。

返回值：
self

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。

类实例重置为干净的 post-init 状态，但保留当前的超参数值。

将序列化的 self 保存到字节类对象或到 (.zip) 文件。

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

行为：如果 path 为 None，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

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

pathNone 或文件位置 (str 或 Path)

  • 如果为 None，self 被保存到内存对象中；如果是文件位置，self 被保存到该文件位置。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”

返回值：
用于序列化的模块。可用选项有“pickle”和“cloudpickle”。注意，非默认格式可能需要安装其他软依赖项。
如果 path 为 None - 内存中的序列化 self
如果 path 是文件位置 - 带有文件引用的 ZipFile

使用 MAPE（非对称）根据真实值对预测进行评分。

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

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

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

编码预测时间戳的预测范围。

要评分的时间序列

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

返回值：
要评分的外部时间序列，如果 self.get_tag(“X-y-must-have-same-index”) 为 True，则 X.index 必须包含 y.index

fhfh

score浮点数

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

将配置标志设置为给定值。

参数：
config_dictdict

sktime.performance_metrics.forecasting.mean_absolute_percentage_error

set_config(**config_dict)[source]#

配置名称：配置值对字典。有效配置、值及其含义如下所列：

  • displaystr，“diagram”（默认）或“text”

  • jupyter 内核如何显示 self 的实例

“diagram” = html 框图表示

“text” = 字符串输出

print_changed_only布尔值，默认为 True

打印 self 时是只列出与默认值不同的参数 (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，默认为“None”

  • 用于广播/向量化时的并行化后端，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，需要在环境中安装 dask 包

“ray”：使用 ray，需要在环境中安装 ray 包

  • backend:parallel:paramsdict，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”：无附加参数，忽略 backend_params

  • “loky”、“multiprocessing” 和“threading”：默认 joblib 后端，可在此处传递 joblib.Parallel 的任何有效键，例如 n_jobs，除了直接由 backend 控制的 backend 参数。如果未传入 n_jobs，则默认为 -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。可在此处传递 joblib.Parallel 的任何有效键，例如 n_jobs，在此情况下，backend 必须作为 backend_params 的一个键传入。如果未传入 n_jobs，则默认为 -1，其他参数将默认为 joblib 的默认值。

    • “dask”：可传递 dask.compute 的任何有效键，例如 scheduler

    • “ray”：可传递以下键：

      “ray_remote_args”：ray.init 的有效键字典

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

    • 关闭。

“logger_name”：str，默认为“ray”；要使用的 logger 名称。

“mute_warnings”：布尔值，默认为 False；如果为 True，则禁止显示警告

返回值：
remember_data布尔值，默认为 True

注意

self._X 和 self._y 是否在 fit 中存储并在 update 中更新。如果为 True，self._X 和 self._y 会被存储和更新。如果为 False，self._X 和 self._y 不会被存储和更新。这在使用 save 时会减小序列化大小，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”。

self对 self 的引用。

设置此对象的参数。

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

参数：
set_params(**params)[source]#

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>。如果字符串 <parameter>（不含 <component>__）能够确保引用不含歧义（例如，没有两个组件参数具有名称 <parameter>），也可使用它。

返回值：
**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。

为 self 设置 random_state 伪随机种子参数。

self对 self 的引用 (设置参数后)

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

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。

参数：
适用于 self 中的 random_state 参数（取决于 self_policy），以及当且仅当 deep=True 时适用于其余组件对象。

注意：即使 self 没有 random_state 参数，或者没有任何组件具有 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。

deep布尔值，默认为 True

random_stateint, RandomState 实例或 None，默认为 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重现的输出。

  • deep布尔值，默认为 True

是否在 skbase 对象类型参数（即组件估计器）中设置随机状态。

  • 如果为 False，将只设置 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，以下之一：{"copy", "keep", "new"}，默认为 "copy"

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

返回值：
“keep”：self.random_state 保持不变
“new”：self.random_state 被设置为一个新的随机状态，

将实例级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，用于存储有关对象的元数据。

从输入的 random_state 派生，通常与它不同

self对 self 的引用

set_tags(**tag_dict)[source]#

当前标签值可以通过 get_tags 或 get_tag 查看。

参数：
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。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。

返回值：
set_tags 方法只能在对象的 __init__ 方法中调用，在构造期间，或通过 __init__ 直接构造后。

**tag_dictdict

标签名称：标签值对字典。

更新截止值，并可选地更新拟合参数。

Self

  • 对 self 的引用。

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

所需状态

需要状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问：

  • 结尾为“_”的已拟合模型属性。

  • self.cutoff，self.is_fitted

写入 self

  • 如果没有实现特定于估计器的 update 方法，默认备用方案如下：

  • update_params=True：拟合到目前为止所有观测数据

参数：
ysktime 兼容数据容器格式的时间序列。

update_params=False：仅更新 cutoff 并记住数据

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 = 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)，Series 类型 pd.DataFrame 列表

  • 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

有关数据格式的更多详细信息，请参见 mtype 术语表。有关用法，请参见预测教程 examples/01_forecasting.ipynb

Xsktime 兼容格式的时间序列，可选（默认为 None）。

将 self.cutoff 更新为 y 中看到的最新索引。

如果 update_params=True，更新结尾为“_”的已拟合模型属性。

y用于更新预测器的时间序列。

返回值：
“keep”：self.random_state 保持不变
X用于更新模型拟合的外部时间序列，sktime 兼容格式，可选 (默认值为 None)

对测试集进行迭代预测和模型更新。

应该具有与 y 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_params布尔值，可选 (默认为 True)

  1. 模型参数是否应该更新。如果为 False，则仅更新 cutoff，模型参数（例如系数）不更新。

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

  3. 这是执行多次 update / predict 操作链的简写方式，基于时间分割器 cv 进行数据回放。

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

  5. 与以下相同（如果只有 y，cv 不是默认值）：

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

Self

  • 对 self 的引用。

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

所需状态

需要状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问：

  • 结尾为“_”的已拟合模型属性。

  • self.cutoff，self.is_fitted

记住 self.predict() (稍后在单个批次中返回)

  • 如果没有实现特定于估计器的 update 方法，默认备用方案如下：

  • update_params=True：拟合到目前为止所有观测数据

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

参数：
ysktime 兼容数据容器格式的时间序列。

update_params=False：仅更新 cutoff 并记住数据

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 = 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)，Series 类型 pd.DataFrame 列表

  • 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

有关数据格式的更多详细信息，请参见 mtype 术语表。有关用法，请参见预测教程 examples/01_forecasting.ipynb

等

返回所有记住的预测值

Xsktime 兼容格式的时间序列，可选 (默认值为 None)

写入 self (除非 reset_forecaster=True)

如果 update_params=True，更新结尾为“_”的已拟合模型属性。

y用于更新预测器的时间序列。

如果 reset_forecaster=True，不更新状态。

  • cv继承自 BaseSplitter 的时间交叉验证生成器，可选

  • 例如，SlidingWindowSplitter 或 ExpandingWindowSplitter；默认为 ExpandingWindowSplitter，initial_window=1，并且默认情况下 y/X 中的单个数据点逐个添加并预测，initial_window = 1，step_length = 1 且 fh = 1

返回值：
X用于更新和预测的外部时间序列，sktime 兼容格式，可选 (默认值为 None)

应该具有与 fit 中 y 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。

  • reset_forecaster布尔值，可选 (默认为 True)

  • 如果为 True，将不会改变预测器的状态，即 update/predict 序列是使用副本运行的，并且 self 的 cutoff、模型参数、数据内存不会改变

如果为 False，当 update/predict 序列运行时，将像直接调用 update/predict 一样更新 self

使用新数据更新模型并进行预测。

y_pred用于表格化来自多个分割批次的点预测的对象

格式取决于总体的 (cutoff, 绝对范围) 预测对

所需状态

需要状态为“已拟合”。

在 self 中访问：

如果绝对范围点的集合是唯一的：类型是 sktime 兼容数据容器格式的时间序列，输出中省略 cutoff，具有最近传入的 y 的相同类型：Series, Panel, Hierarchical scitype (类型)，相同的格式 (见上文)

写入 self

如果绝对范围点的集合不唯一：类型是 pandas DataFrame，行和列索引是时间戳，行索引对应于从中预测的 cutoffs，列索引对应于预测的绝对范围，条目是从行索引预测的列索引的点预测值，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]#

参数：
ysktime 兼容数据容器格式的时间序列。

update_params=False：仅更新 cutoff 并记住数据

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 = 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)，Series 类型 pd.DataFrame 列表

  • 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

有关数据格式的更多详细信息，请参见 mtype 术语表。有关用法，请参见预测教程 examples/01_forecasting.ipynb

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

编码预测时间戳的预测范围。如果在 fit 中已传入，则不应再次传入。如果未在 fit 中传入，则必须传入，不可选。

Xsktime 兼容格式的时间序列，可选 (默认值为 None)

写入 self (除非 reset_forecaster=True)

如果 update_params=True，更新结尾为“_”的已拟合模型属性。

y用于更新预测器的时间序列。

返回值：
y_predsktime 兼容数据容器格式的时间序列

在 fh 处的点预测值，具有与 fh 相同的索引。y_pred 具有最近传入的 y 的相同类型：Series、Panel、Hierarchical scitype，相同的格式 (见上文)

此方法用于在单个步骤中更新和进行预测，非常有用。