AutoETS#

类 AutoETS(error='add', trend=None, damped_trend=False, seasonal=None, sp=1, initialization_method='estimated', initial_level=None, initial_trend=None, initial_seasonal=None, bounds=None, dates=None, freq=None, missing='none', start_params=None, maxiter=1000, full_output=True, disp=False, callback=None, return_params=False, auto=False, information_criterion='aic', allow_multiplicative_trend=False, restrict=True, additive_only=False, ignore_inf_ic=True, n_jobs=None, random_state=None)[source]#

具有手动和自动拟合能力的 ETS 模型。

手动（固定参数）使用（auto=False，默认）是 statsmodels ETSModel [2] 的直接接口，而自动调优（auto=True）是基于 statsmodels ETSModel 对 R 版本 ets [3] 的改编。

第一个参数是 statsmodels 参数（从 error 到 return_params）[2] 的直接接口。

其余参数是 R ets 参数（auto 到 additive_only）[3] 的改编，用于自动模型选择。

参数:

errorstr，默认值=”add”

误差模型。取值范围为“add”或“mul”。如果 auto=True，则忽略。

trendstr 或 None，默认值=None

趋势分量模型。取值范围为“add”、“mul”或 None。如果 auto=True，则忽略。

damped_trendbool，默认值=False

包含的趋势分量是否阻尼。如果 auto=True，则忽略。

seasonalstr 或 None，默认值=None

季节性模型。取值范围为“add”、“mul”或 None。如果 auto=True，则忽略。

spint，默认值=1

季节性（Holt-Winters）模型中完整季节周期的周期数。例如，年周期季度数据为 4，或周周期每日数据为 7。如果 seasonal 不为 None，则必需。

initialization_methodstr，默认值=’estimated’

状态空间模型的初始化方法。以下之一：

‘estimated’（默认）
‘heuristic’
‘known’

如果使用‘known’初始化，则必须传入 initial_level，如果适用，还需要传入 initial_trend 和 initial_seasonal。‘heuristic’ 使用基于数据的启发式方法来估计初始水平、趋势和季节状态。‘estimated’ 使用与初始猜测相同的启发式方法，但随后作为拟合过程的一部分估计初始状态。默认值为‘estimated’。

initial_levelfloat 或 None，默认值=None

初始水平分量。仅在初始化方法为‘known’时使用。

initial_trendfloat 或 None，默认值=None

初始趋势分量。仅在初始化方法为‘known’时使用。

initial_seasonalarray_like 或 None，默认值=None

初始季节性分量。一个长度为 seasonal_periods 的数组。仅在初始化方法为‘known’时使用。

boundsdict 或 None，默认值=None

一个字典，键为参数名，值为相应的边界区间（列表/元组/数组）。可用的参数名取决于模型和初始化方法：

“smoothing_level”
“smoothing_trend”
“smoothing_seasonal”
“damping_trend”
“initial_level”
“initial_trend”
“initial_seasonal.0”, …, “initial_seasonal.<m-1>”

默认选项为 None，在这种情况下使用 [1] 中描述的传统（非线性）边界。

start_paramsarray_like 或 None，默认值=None

将被优化的参数的初始值。如果为 None，则使用默认值。其长度取决于所选模型。应按以下顺序包含参数，跳过在所选模型中不存在的参数。

smoothing_level (alpha)
smoothing_trend (beta)
smoothing_seasonal (gamma)
damping_trend (phi)

如果将 initialization_method 设置为 'estimated'（默认值），则此外，参数

initial_level (\(l_{-1}\))
initial_trend (\(l_{-1}\))
initial_seasonal.0 (\(s_{-1}\))
initial_seasonal.<m-1> (\(s_{-m}\))

也必须指定。

maxiterint，默认值=1000

要执行的最大迭代次数。

full_outputbool，默认值=True

设置为 True 以在 Results 对象的 mle_retvals 属性中包含所有可用输出。输出取决于求解器。更多信息请参见 LikelihoodModelResults 备注部分。

dispbool，默认值=False

设置为 True 以打印收敛消息。

callback可调用 callback(xk) 或 None，默认值=None

每次迭代后调用，作为 callback(xk)，其中 xk 是当前参数向量。

return_paramsbool，默认值=False

是否仅返回最大化参数的数组。

autobool，默认值=False

设置为 True 以启用自动模型选择。如果 auto=True，则忽略 error、trend、seasonal 和 damped_trend。

information_criterionstr，默认值=”aic”

用于模型选择的信息准则。以下之一：

“aic”
“bic”
“aicc”

allow_multiplicative_trendbool，默认值=False

如果为 True，则在搜索模型时允许包含乘法趋势的模型。否则，模型空间将排除它们。

restrictbool，默认值=True

如果为 True，则不允许包含无限方差的模型。

additive_onlybool，默认值=False

如果为 True，则仅考虑加法模型。

ignore_inf_ic: bool，默认值=True

如果为 True，则忽略具有负无穷大信息准则（aic, bic, aicc）的模型。

n_jobsint 或 None，默认值=None

并行运行自动模型拟合的作业数。None 表示 1，除非在 joblib.parallel_backend 上下文中。-1 表示使用所有处理器。

random_stateint，RandomState 实例或 None，可选，

默认值=None - 如果是 int，则 random_state 是随机数生成器使用的种子；如果是 RandomState 实例，则 random_state 是随机数生成器；如果是 None，则随机数生成器是 np.random 使用的 RandomState 实例。

属性:

cutoff: 截止点 = 预测器的“当前时间”状态。
fh: 传入的预测范围。
is_fitted: fit 是否已被调用。

另请参见

StatsForecastAutoETS

参考资料

[1]

Hyndman, R.J., & Athanasopoulos, G. (2019) Forecasting: principles and practice, 3rd edition, OTexts: Melbourne, Australia. OTexts.com/fpp3. Accessed on April 19th 2020.

[2] (1,2)

Statsmodels ETS

https://statsmodels.pythonlang.cn/stable/_modules/statsmodels/tsa/exponential_smoothing/ets.html#ETSModel

[3] (1,2)

R 版本 ETS: https://www.rdocumentation.org/packages/forecast/versions/8.12/topics/ets

示例

>>> from sktime.datasets import load_airline
>>> from sktime.forecasting.ets import AutoETS
>>> y = load_airline()
>>> forecaster = AutoETS(auto=True, n_jobs=-1, sp=12)  
>>> forecaster.fit(y)  
AutoETS(...)
>>> y_pred = forecaster.predict(fh=[1,2,3])  

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])	在未来范围内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，具有来自父类的标签级别继承。
`get_class_tags`()	从类获取类标签，具有来自父类的标签级别继承。
`get_config`()	获取自身的配置标志。
`get_fitted_params`([deep])	获取拟合参数。
`get_param_defaults`()	获取对象的参数默认值。
`get_param_names`([sort])	获取对象的参数名称。
`get_params`([deep])	获取此对象的参数值字典。
`get_tag`(tag_name[, tag_value_default, ...])	从实例获取标签值，具有标签级别继承和覆盖。
`get_tags`()	从实例获取标签，具有标签级别继承和覆盖。
`get_test_params`([parameter_set])	返回估计器的测试参数设置。
`is_composite`()	检查对象是否由其他 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])	在未来范围内预测时间序列。
`predict_interval`([fh, X, coverage])	计算/返回预测区间预测。
`predict_proba`([fh, X, marginal])	计算/返回完全概率性预测。
`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])	将序列化的自身保存到字节类对象或到 (.zip) 文件。
`score`(y[, X, fh])	使用 MAPE（非对称）评估预测相对于真实值的得分。
`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, ...])	为自身设置 random_state 伪随机种子参数。
`set_tags`(**tag_dict)	将实例级别标签覆盖设置为给定值。
`summary`()	获取拟合预测器的摘要。
`update`(y[, X, update_params])	更新截止点值，并可选地更新拟合参数。
`update_predict`(y[, cv, X, update_params, ...])	在测试集上迭代进行预测和更新模型。
`update_predict_single`([y, fh, X, update_params])	用新数据更新模型并进行预测。

summary()[source]#

获取拟合预测器的摘要。

这与 statsmodels 中的实现相同：https://statsmodels.pythonlang.cn/dev/examples/notebooks/generated/ets.html

类方法 get_test_params(parameter_set='default')[source]#

返回估计器的测试参数设置。

参数:

parameter_setstr，默认值=”default”: 要返回的测试参数集的名称，用于测试。如果某个值没有定义特殊参数，则返回 "default" 集。

返回:

paramsdict 或 dict 列表

check_is_fitted(method_name=None)[source]#

检查估计器是否已拟合。

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

如果不是，则引发 NotFittedError。

参数:

method_namestr，可选: 调用此方法的名称。如果提供，错误消息将包含此信息。

引发:

NotFittedError: 如果估计器尚未拟合。

clone()[source]#

获取具有相同超参数和配置的对象的克隆。

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

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

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

值上等同于调用 self.reset，但例外在于 clone 返回一个新对象，而不是像 reset 那样修改 self。

引发:

如果克隆不符合规范，由于错误的 __init__，则引发 RuntimeError。

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

从另一个对象克隆标签作为动态覆盖。

每个兼容 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。

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 方法只能在对象的 __init__ 方法中调用，即在构造期间或通过 __init__ 构造后直接调用。

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 的默认设置将 estimator 中的所有标签写入 self。

当前标签值可以通过 get_tags 或 get_tag 进行检查。

参数:

estimator:class:BaseObject 或派生类的实例
tag_namesstr 或 str 列表，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:

self: 对 self 的引用。

类方法 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的名称，用于测试。如果某个值没有定义特殊参数，则返回 “default” 集。

返回:

instance具有默认参数的类实例

类方法 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，默认值=”default”: 要返回的测试参数集的名称，用于测试。如果某个值没有定义特殊参数，则返回 “default” 集。

返回:

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

属性 cutoff[source]#

截止点 = 预测器的“当前时间”状态。

返回:

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

属性 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“fitted”。

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。

如果传入了 fh，则将 fh 存储到 self.fh。

参数:

ysktime 兼容数据容器格式的时间序列。

用于拟合预测器的时间序列。

sktime 中的个体数据格式是所谓的 mtype 规范，每种 mtype 实现了一种抽象的 scitype。

Series scitype = 个体时间序列，普通预测。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)
Panel scitype = 时间序列集合，全局/面板预测。具有 2 级行 MultiIndex (实例, 时间) 的 pd.DataFrame，3D np.ndarray (实例, 变量, 时间)，Series 类型 pd.DataFrame 的 list
Hierarchical scitype = 分层集合，用于分层预测。具有 3 级或更多级行 MultiIndex (层级 1, ..., 层级 n, 时间) 的 pd.DataFrame

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

fhint, list, 可强制转换为 pd.Index, 或 ForecastingHorizon, 默认值=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 中传入，不可选。

Xsktime 兼容格式的时间序列，可选 (默认值=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]#

在未来范围内拟合和预测时间序列。

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

状态改变: 将状态更改为“fitted”。

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，每种 mtype 实现了一种抽象的 scitype。

Series scitype = 个体时间序列，普通预测。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)
Panel scitype = 时间序列集合，全局/面板预测。具有 2 级行 MultiIndex (实例, 时间) 的 pd.DataFrame，3D np.ndarray (实例, 变量, 时间)，Series 类型 pd.DataFrame 的 list
Hierarchical scitype = 分层集合，用于分层预测。具有 3 级或更多级行 MultiIndex (层级 1, ..., 层级 n, 时间) 的 pd.DataFrame

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

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

编码预测时间戳的预测范围。

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

Xsktime 兼容格式的时间序列，可选 (默认值=None)。

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

X_predsktime 兼容格式的时间序列，可选 (默认值=None)

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

返回:

y_predsktime 兼容数据容器格式的时间序列: 在 fh 处的点预测，与 fh 具有相同的索引。y_pred 的类型与最近传入的 y 相同：Series、Panel、Hierarchical scitype，格式相同（见上文）

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

从类获取类标签值，具有来自父类的标签级别继承。

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。

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

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

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，

按照继承顺序。

不考虑在实例上设置的动态标签覆盖，即通过 set_tags 或 clone_tags 在实例上定义的标签。

要检索可能包含实例覆盖的标签值，请改用 get_tag 方法。

参数:

tag_namestr: 标签值的名称。
tag_value_default任意类型: 如果未找到标签，则为默认/回退值。

返回:

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

类方法 get_class_tags()[source]#

从类获取类标签，具有来自父类的标签级别继承。

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。

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，仅考虑类级别标签值和覆盖来检索标签的值。

它返回一个字典，其键是类或其任何父类中设置的 _tags 任何属性的键。

值是相应的标签值，按以下降序优先级进行覆盖：

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，

按照继承顺序。

实例可以根据超参数覆盖这些标签。

要检索可能包含实例覆盖的标签，请改用 get_tags 方法。

不考虑在实例上设置的动态标签覆盖，即通过 set_tags 或 clone_tags 在实例上定义的标签。

对于包含来自动态标签的覆盖，请使用 get_tags。

collected_tagsdict: 标签名: 标签值对的字典。通过嵌套继承从 _tags 类属性收集。不受 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 clone 或 reset 调用中保留。

返回:

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

get_fitted_params(deep=True)[source]#

获取拟合参数。

所需状态: 要求状态为“fitted”。

参数:

deepbool，默认值=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: 参数值字典，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: 参数值字典，但不包括组件的拟合参数。

返回:

fitted_params键为 str 类型的 dict

拟合参数字典，键值对 paramname : paramvalue 包括

总是：此对象的所有拟合参数，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，还包含组件参数的键/值对，组件参数的索引格式为 [组件名]__[参数名]，组件名 的所有参数以 参数名 形式出现并带有其值
如果 deep=True，还包含任意级别的组件递归，例如 [组件名]__[组件组件名]__[参数名] 等

类方法 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。值是在 __init__ 中定义的默认值。

类方法 get_param_names(sort=True)[source]#

获取对象的参数名称。

参数:

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

返回:

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

get_params(deep=True)[source]#

获取此对象的参数值字典。

参数:

deepbool，默认值=True

是否返回组件的参数。

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

返回:

params键为 str 类型的 dict

参数字典，paramname : paramvalue 键值对包括

always: 此对象的所有参数，通过 get_param_names 获取；值是该键的参数值，此对象的值与构造时传递的值总是相同的
如果 deep=True，还包含组件参数的键/值对，组件参数的索引格式为 [组件名]__[参数名]，组件名 的所有参数以 参数名 形式出现并带有其值
如果 deep=True，还包含任意级别的组件递归，例如 [组件名]__[组件组件名]__[参数名] 等

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

从实例获取标签值，具有标签级别继承和覆盖。

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。

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，按以下优先级顺序考虑标签覆盖：

通过实例上的 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，

按照继承顺序。

参数:

tag_namestr: 要检索的标签名称
tag_value_default任意类型，可选；默认=None: 如果未找到标签，则使用的默认/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，则在 raise_error 为 True 时引发错误，否则返回 tag_value_default。

引发:

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

get_tags()[source]#

从实例获取标签，具有标签级别继承和覆盖。

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。

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，其中键是类或其任何父类中设置的任何 _tags 属性的键，或通过 set_tags 或 clone_tags 设置的标签。

值是相应的标签值，按以下降序优先级进行覆盖：

通过实例上的 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，

按照继承顺序。

返回:

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

is_composite()[source]#

检查对象是否由其他 BaseObjects 组成。

复合对象是包含对象的对象，作为参数。在实例上调用，因为这可能因实例而异。

返回:

composite: bool: 对象是否有任何参数的值是 BaseObject 的后代实例。

property is_fitted[source]#

fit 是否已被调用。

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

返回:

bool: 估计器是否已 fit。

classmethod load_from_path(serial)[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，结果输出到 path，是 cls.save(path) 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，结果是 serial，是 cls.save(None) 的输出

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

在未来范围内预测时间序列。

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

访问 self 中的属性

以“_”结尾的拟合模型属性。

self.cutoff, self.is_fitted

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

参数:

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

表示要预测的时间戳的预测范围。如果在 fit 中已经传递过，则不应再次传递。如果在 fit 中未传递过，则必须传递，不是可选的

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

Xsktime 兼容格式的时间序列，可选 (默认=None)

预测中使用的外生时间序列。应与 fit 中 y 的 scitype (Series, Panel, 或 Hierarchical) 相同。如果 self.get_tag("X-y-must-have-same-index")，则 X.index 必须包含 fh 索引引用。

返回:

y_predsktime 兼容数据容器格式的时间序列: 在 fh 处的点预测，与 fh 具有相同的索引。y_pred 的类型与最近传入的 y 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 是可迭代的，将计算多个区间。

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

访问 self 中的属性

以“_”结尾的拟合模型属性。

self.cutoff, self.is_fitted

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

参数:

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

表示要预测的时间戳的预测范围。如果在 fit 中已经传递过，则不应再次传递。如果在 fit 中未传递过，则必须传递，不是可选的

如果 fh 不是 None 且类型不是 ForecastingHorizon，它将在内部被强制转换为 ForecastingHorizon (通过 _check_fh)。

如果 fh 是 int 或 int 的类似数组类型，它将被解释为相对范围，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 的类型是 pd.Index，它将被解释为绝对范围，并强制转换为绝对 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选 (默认=None)

预测中使用的外生时间序列。应与 fit 中 y 的 scitype (Series, Panel, 或 Hierarchical) 相同。如果 self.get_tag("X-y-must-have-same-index")，则 X.index 必须包含 fh 索引引用。

coverage浮点数或包含唯一值的浮点数列表，可选 (默认=0.90)

预测区间(s) 的名义覆盖度

返回:

pred_intpd.DataFrame

列具有多重索引：第一级是 fit 中 y 的变量名，

第二级是计算区间的覆盖度分数。: 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，如果 fit 中看到的 y 是 Panel 或 Hierarchical，则包含额外的（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。

条目是下限/上限区间的预测，

对于列索引中的变量，在第二个列索引中的名义覆盖度，取决于第三个列索引的 lower/upper，对于该行索引。上限/下限区间预测等价于对于 coverage 中 c 的 alpha = 0.5 - c/2, 0.5 + c/2 处的分位数预测。

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

计算/返回完全概率性预测。

注意

目前仅为 Series（非面板，非分层）y 实现。
返回的分发对象需要安装 skpro。

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

访问 self 中的属性

以“_”结尾的拟合模型属性。

self.cutoff, self.is_fitted

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

参数:

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

表示要预测的时间戳的预测范围。如果在 fit 中已经传递过，则不应再次传递。如果在 fit 中未传递过，则必须传递，不是可选的

如果 fh 不是 None 且类型不是 ForecastingHorizon，它将在内部被强制转换为 ForecastingHorizon (通过 _check_fh)。

如果 fh 是 int 或 int 的类似数组类型，它将被解释为相对范围，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 的类型是 pd.Index，它将被解释为绝对范围，并强制转换为绝对 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选 (默认=None)

预测中使用的外生时间序列。应与 fit 中 y 的 scitype (Series, Panel, 或 Hierarchical) 相同。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)

返回的分发是否按时间索引是边际的

返回:

pred_distskpro BaseDistribution: 如果 marginal=True，则是预测分布，如果 marginal=False 且方法已实现，将按时间点是边际分布，否则将是联合分布

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: 要求状态为“fitted”，即 self.is_fitted=True。

访问 self 中的属性

以“_”结尾的拟合模型属性。

self.cutoff, self.is_fitted

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

参数:

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

表示要预测的时间戳的预测范围。如果在 fit 中已经传递过，则不应再次传递。如果在 fit 中未传递过，则必须传递，不是可选的

如果 fh 不是 None 且类型不是 ForecastingHorizon，它将在内部被强制转换为 ForecastingHorizon (通过 _check_fh)。

如果 fh 是 int 或 int 的类似数组类型，它将被解释为相对范围，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 的类型是 pd.Index，它将被解释为绝对范围，并强制转换为绝对 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选 (默认=None)

预测中使用的外生时间序列。应与 fit 中 y 的 scitype (Series, Panel, 或 Hierarchical) 相同。如果 self.get_tag("X-y-must-have-same-index")，则 X.index 必须包含 fh 索引引用。

alpha浮点数或包含唯一值的浮点数列表，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

列具有多重索引：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，则包含额外的（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，对于列索引中的变量，: 在第二个列索引中的分位数概率，对于该行索引。

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

返回时间序列预测的残差。

将在 y.index 处计算预测的残差。

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

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

包含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

如果在单次 fit 调用之前，则生成样本内残差
如果 fit 需要 fh，则它必须指向 fit 中 y 的索引

Xsktime 兼容格式的时间序列，可选 (默认=None)

用于更新和预测的外生时间序列应与 fit 中 y 的 scitype (Series, Panel, 或 Hierarchical) 相同。如果 self.get_tag("X-y-must-have-same-index")，则 X.index 必须包含 fh 索引引用和 y.index。

返回:

y_ressktime 兼容数据容器格式的时间序列: 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 具有相同的类型：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: 要求状态为“fitted”，即 self.is_fitted=True。

访问 self 中的属性

以“_”结尾的拟合模型属性。

self.cutoff, self.is_fitted

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

参数:

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

表示要预测的时间戳的预测范围。如果在 fit 中已经传递过，则不应再次传递。如果在 fit 中未传递过，则必须传递，不是可选的

如果 fh 不是 None 且类型不是 ForecastingHorizon，它将在内部被强制转换为 ForecastingHorizon (通过 _check_fh)。

如果 fh 是 int 或 int 的类似数组类型，它将被解释为相对范围，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 的类型是 pd.Index，它将被解释为绝对范围，并强制转换为绝对 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选 (默认=None)

预测中使用的外生时间序列。应与 fit 中 y 的 scitype (Series, Panel, 或 Hierarchical) 相同。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 fit/update 中传递的 y 完全相同。: 对于无名格式，列索引将是 RangeIndex。
行索引是 fh，包含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。

条目是方差预测，对于列索引中的变量。给定变量和 fh 索引的方差预测是该变量和索引的预测方差，

给定观测数据。

如果 cov=True

列索引是一个多重索引：第一级是变量名（如上）: 第二级是 fh。
行索引是 fh，包含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。
条目是（协）方差预测，对于列索引中的变量，并且: 是行索引和列索引中时间索引之间的协方差。

注意：不同变量之间不返回协方差预测。

reset()[source]#

将对象重置为干净的初始化后状态。

导致将 self 设置回构造函数调用后直接的状态，并保留相同的超参数。通过 set_config 设置的配置值也会被保留。

reset 调用会删除所有对象属性，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”的属性会被保留。
配置属性，配置保持不变。也就是说，reset 前后的 get_config 结果相等。

类和对象方法，以及类属性也不受影响。

等价于 clone，区别在于 reset 修改 self 而不是返回新对象。

调用 self.reset() 后，self 在值和状态上与构造函数调用 ``type(self)(**self.get_params(deep=False))`` 后获得的对象相同。

返回:

self: 类实例被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]#

将序列化的自身保存到字节类对象或到 (.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 存储在该位置为一个 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。此类使用默认的序列化方法 (pickle)。

参数:

pathNone 或文件位置 (str 或 Path)

如果为 None，self 将保存到一个内存对象；如果为文件位置，self 将保存到该文件位置。如果

path="estimator"，则将在当前工作目录创建一个 zip 文件 estimator.zip。
path="/home/stored/estimator"，则将在 /home/stored/ 中存储一个 zip 文件 estimator.zip。

存储在 /home/stored/ 中。

serialization_format: str, default = “pickle”

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

返回:

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

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

使用 MAPE（非对称）评估预测相对于真实值的得分。

参数:

ypd.Series, pd.DataFrame, 或 np.ndarray (1D 或 2D): 要评分的时间序列
fhint, list, 可强制转换为 pd.Index, 或 ForecastingHorizon, 默认值=None: 编码预测时间戳的预测范围。
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")，X.index 必须包含 y.index

返回:

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

另请参见

sktime.performance_metrics.forecasting.mean_absolute_percentage_error

set_config(**config_dict)[source]#

将配置标志设置为给定值。

参数:

config_dictdict

配置名称：配置值对的字典。下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 时是否只列出与默认值不同的参数（True），还是所有参数名称和值（False）。不嵌套，即只影响 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” = 不会发出来自 sktime 的警告

backend:parallelstr，可选，默认=“None”

用于广播/向量化时的并行化后端，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，需要环境中有 dask 包
“ray”: 使用 ray，需要环境中有 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。有效的键取决于 backend:parallel 的值

“None”: 无附加参数，backend_params 被忽略
“loky”、“multiprocessing”和“threading”：默认的 joblib 后端，可以传递任何有效的 joblib.Parallel 键，例如 n_jobs，但 backend 除外，它由 backend 直接控制。如果未传递 n_jobs，则默认为 -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。可以传递任何有效的 joblib.Parallel 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”: 可以传递任何有效的 dask.compute 键，例如 scheduler
“ray”: 可以传递以下键
- “ray_remote_args”: 包含有效 ray.init 键的字典
- “shutdown_ray”: bool，默认=True；False 可防止 ray 在并行化后关闭。
  关闭。
- “logger_name”: str，默认=“ray”；要使用的日志记录器名称。
- “mute_warnings”: bool，默认=False；如果为 True，则禁止警告

警告。

remember_databool，默认=True

返回:

是否在 fit 中存储 self._X 和 self._y，并在 update 中更新。如果为 True，则存储和更新 self._X 和 self._y。如果为 False，则不存储和更新 self._X 和 self._y。使用 save 时这会减小序列化大小，但 update 将默认为“不执行任何操作”而不是“重新拟合所有可见数据”。

self对 self 的引用。

注意

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

设置此对象的参数。

set_params(**params)[source]#

参数:

此方法适用于简单的 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>。如果引用明确（例如，没有两个组件参数同名 <parameter>），也可以使用不带 <component>__ 的字符串 <parameter>。: **paramsdict

返回:

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

self对 self 的引用（设置参数后）

为自身设置 random_state 伪随机种子参数。

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 通过 sample_dependent_seed 派生的整数。这些整数是从链式哈希中采样而来，保证了伪随机生成器的伪随机独立性。

应用于 self 中的 random_state 参数（取决于 self_policy），以及剩余的组件对象（仅当 deep=True 时）。

参数:

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

random_stateint, RandomState 实例或 None, 默认=None

deepbool，默认值=True

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复现的输出。

是否在 skbase 对象值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，则也会在组件对象中设置 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，

返回:

派生自输入的 random_state，通常与之不同

self对 self 的引用

将实例级别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，用于存储对象的元数据。

set_tags(**tag_dict)[source]#

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

当前标签值可以通过 get_tags 或 get_tag 进行检查。

参数:

set_tags 方法应仅在对象的 __init__ 方法中（在构造期间）或通过 __init__ 直接在构造后调用。: **tag_dictdict

返回:

标签名称：标签值对的字典。: Self

对 self 的引用。

更新截止点值，并可选地更新拟合参数。

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

如果没有实现特定于估计器的 update 方法，则默认的备用如下：

update_params=True：对迄今为止观测到的所有数据进行拟合

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

访问 self 中的属性

以“_”结尾的拟合模型属性。

self.cutoff, self.is_fitted

写入 self

update_params=False：仅更新 cutoff 并记住数据

将 self.cutoff 更新为在 y 中看到的最新索引。

参数:

ysktime 兼容数据容器格式的时间序列。

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

sktime 中的个体数据格式是所谓的 mtype 规范，每种 mtype 实现了一种抽象的 scitype。

Series scitype = 个体时间序列，普通预测。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)
Panel scitype = 时间序列集合，全局/面板预测。具有 2 级行 MultiIndex (实例, 时间) 的 pd.DataFrame，3D np.ndarray (实例, 变量, 时间)，Series 类型 pd.DataFrame 的 list
Hierarchical scitype = 分层集合，用于分层预测。具有 3 级或更多级行 MultiIndex (层级 1, ..., 层级 n, 时间) 的 pd.DataFrame

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

Xsktime 兼容格式的时间序列，可选 (默认值=None)。

用于更新预测器的时间序列。

用于更新模型拟合的外生时间序列应与 y 的 scitype (Series, Panel, 或 Hierarchical) 相同。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)

返回:

派生自输入的 random_state，通常与之不同

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。

在测试集上迭代进行预测和更新模型。

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

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

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() （稍后在单个批次中返回）
self.update(y=cv.split_series(y)[0][0])
self.update(y=cv.split_series(y)[1][0])
等等

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

如果没有实现特定于估计器的 update 方法，则默认的备用如下：

update_params=True：对迄今为止观测到的所有数据进行拟合

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

访问 self 中的属性

以“_”结尾的拟合模型属性。

self.cutoff, self.is_fitted

返回所有记住的预测

update_params=False：仅更新 cutoff 并记住数据
将 self.cutoff 更新为在 y 中看到的最新索引。

写入 self（除非 reset_forecaster=True）

参数:

ysktime 兼容数据容器格式的时间序列。

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

sktime 中的个体数据格式是所谓的 mtype 规范，每种 mtype 实现了一种抽象的 scitype。

Series scitype = 个体时间序列，普通预测。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)
Panel scitype = 时间序列集合，全局/面板预测。具有 2 级行 MultiIndex (实例, 时间) 的 pd.DataFrame，3D np.ndarray (实例, 变量, 时间)，Series 类型 pd.DataFrame 的 list
Hierarchical scitype = 分层集合，用于分层预测。具有 3 级或更多级行 MultiIndex (层级 1, ..., 层级 n, 时间) 的 pd.DataFrame

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

如果 reset_forecaster=True，则不更新状态。

cv继承自 BaseSplitter 的时间交叉验证生成器，可选

Xsktime 兼容格式的时间序列，可选 (默认=None)

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

用于更新模型拟合的外生时间序列应与 y 的 scitype (Series, Panel, 或 Hierarchical) 相同。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)

用于更新和预测的外生时间序列应与 fit 中 y 的 scitype (Series, Panel, 或 Hierarchical) 相同。如果 self.get_tag("X-y-must-have-same-index")，则 X.index 必须包含 fh 索引引用。

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/预测序列将使用副本运行，并且 self 的截止点、模型参数、数据内存不会更改

返回:

如果为 False，则在运行更新/预测序列时将更新 self，就像直接调用 update/predict 一样

y_pred对多个分割批次的点预测进行制表的对象

格式取决于（截止点，绝对范围）预测对整体
如果绝对范围点集合是唯一的：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，与最近传递的 y 具有相同的类型：Series, Panel, Hierarchical scitype，相同的格式（见上文）

如果绝对范围点集合不唯一：类型是一个 pandas DataFrame，行和列索引是时间戳，行索引对应于从中预测的截止点，列索引对应于预测的绝对范围，条目是从行索引预测的列索引的点预测，如果在该（截止点，范围）对上没有进行预测，则条目为 nan。

用新数据更新模型并进行预测。

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

此方法对于一步完成更新和预测很有用。

所需状态: 要求状态为“fitted”。
访问 self 中的属性: 如果没有实现特定于估计器的 update 方法，则默认的备用是先 update，然后 predict。
写入 self: 以“_”结尾的拟合模型属性。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。

通过追加行来使用 y 和 X 更新 self._y 和 self._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，

参数:

ysktime 兼容数据容器格式的时间序列。

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

sktime 中的个体数据格式是所谓的 mtype 规范，每种 mtype 实现了一种抽象的 scitype。

Series scitype = 个体时间序列，普通预测。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)
Panel scitype = 时间序列集合，全局/面板预测。具有 2 级行 MultiIndex (实例, 时间) 的 pd.DataFrame，3D np.ndarray (实例, 变量, 时间)，Series 类型 pd.DataFrame 的 list
Hierarchical scitype = 分层集合，用于分层预测。具有 3 级或更多级行 MultiIndex (层级 1, ..., 层级 n, 时间) 的 pd.DataFrame

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

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

表示要预测的时间戳的预测范围。如果在 fit 中已经传递过，则不应再次传递。如果在 fit 中未传递过，则必须传递，不是可选的

Xsktime 兼容格式的时间序列，可选 (默认=None)

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

用于更新模型拟合的外生时间序列应与 y 的 scitype (Series, Panel, 或 Hierarchical) 相同。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)

返回:

y_predsktime 兼容数据容器格式的时间序列: 在 fh 处的点预测，与 fh 具有相同的索引。y_pred 的类型与最近传入的 y 相同：Series、Panel、Hierarchical scitype，格式相同（见上文）