指数平滑#

class ExponentialSmoothing(trend=None, damped_trend=False, seasonal=None, sp=None, initial_level=None, initial_trend=None, initial_seasonal=None, use_boxcox=None, initialization_method='estimated', smoothing_level=None, smoothing_trend=None, smoothing_seasonal=None, damping_trend=None, optimized=True, remove_bias=False, start_params=None, method=None, minimize_kwargs=None, use_brute=True, random_state=None)[source]#

Holt-Winters 指数平滑预测器。

直接接口，用于 statsmodels.tsa.holtwinters。

默认设置使用简单的指数平滑，不包含趋势和季节性成分。

参数:
trend{“add”, “mul”, “additive”, “multiplicative”, None}, default=None

趋势成分类型。

damped_trendbool, default=False

趋势成分是否应该被阻尼。

seasonal{“add”, “mul”, “additive”, “multiplicative”, None}, default=None

季节性成分类型。可取值：

spint or None, default=None

要考虑的季节周期数。

initial_levelfloat or None, default=None

简单指数平滑的 alpha 值，如果设置了该值，则将使用此值。

initial_trendfloat or None, default=None

Holt 趋势方法的 beta 值，如果设置了该值，则将使用此值。

initial_seasonalfloat or None, default=None

Holt-Winters 季节性方法的 gamma 值，如果设置了该值，则将使用此值。

use_boxcox{True, False, ‘log’, float}, default=None

是否应对数据首先应用 Box-Cox 转换？如果为 ‘log’ 则应用对数转换。如果为 float 则使用等于该 float 值的 lambda。

initialization_method:{‘estimated’,’heuristic’,’legacy-heuristic’,’known’,None},

default=’estimated’ 用于初始化递推的方法。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，但随后将初始状态作为拟合过程的一部分进行估计。

smoothing_levelfloat, optional

简单指数平滑的 alpha 值，如果设置了该值，则将使用此值。

浮点数，可选

Holt 趋势方法的 beta 值，如果设置了该值，则将使用此值。

smoothing_seasonalfloat, optional

Holt-Winters 季节性方法的 gamma 值，如果设置了该值，则将使用此值。

damping_trendfloat, optional

阻尼方法的 phi 值，如果设置了该值，则将使用此值。

optimizedbool, optional

通过最大化对数似然来估计模型参数。

remove_biasbool, optional

通过强制平均残差等于零来消除预测值和拟合值中的偏差。

start_paramsarray_like, optional

优化拟合时使用的起始值。如果未提供，则通过网格搜索和基于数据初始值的合理值组合确定起始值。有关模型参数的结构，请参见备注。

methodstr, default “SLSQP”

使用的最小化器。有效选项包括 “L-BFGS-B” 、 “TNC”、“SLSQP”（默认）、“Powell”、“trust-constr”、“basinhopping”（也称“bh”）和“least_squares”（也称“ls”）。basinhopping 尝试多个起始值，以在非凸问题中找到全局最小值，因此比其他方法慢。

minimize_kwargsdict[str, Any]

一个字典，包含传递给 SciPy 的 minimize 函数（如果方法是 “L-BFGS-B”、“TNC”、“SLSQP”、“Powell” 或“trust-constr” 中的一个）或 SciPy 的 basinhopping 或 least_squares 函数的关键字参数。有效关键字取决于优化器。请查阅 SciPy 文档以获取完整的选项列表。

use_brutebool, optional

使用暴力（网格）优化器搜索良好的起始值。如果为 False，则使用一组朴素的起始值。

random_stateint, RandomState instance or None, optional ,

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

属性:
cutoff

截至点 = 预测器的“当前时间”状态。

fh

已传递的预测范围。

is_fitted

是否已调用 fit。

参考文献

[1] Hyndman, Rob J., and George Athanasopoulos. Forecasting: principles

and practice. OTexts, 2014.

示例

>>> from sktime.datasets import load_airline
>>> from sktime.forecasting.exp_smoothing import ExponentialSmoothing
>>> y = load_airline()
>>> forecaster = ExponentialSmoothing(
...     trend='add', seasonal='multiplicative', sp=12
... )  
>>> forecaster.fit(y)  
ExponentialSmoothing(...)
>>> y_pred = forecaster.predict(fh=[1,2,3])

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。

create_test_instance([parameter_set])

使用第一个测试参数集构造类的实例。

create_test_instances_and_names([parameter_set])

创建所有测试实例的列表及其名称列表。

fit(y[, X, fh])

将预测器拟合到训练数据。

fit_predict(y[, X, fh, X_pred])

拟合并预测未来范围的时间序列。

get_class_tag(tag_name[, tag_value_default])

从类中获取类标签值，具有父类标签级别的继承。

get_class_tags()

从类中获取类标签，具有父类标签级别的继承。

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，具有标签级别的继承和覆盖。

get_tags()

从实例获取标签，具有标签级别的继承和覆盖。

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])

预测未来范围的时间序列。

predict_interval([fh, X, coverage])

计算/返回预测区间预测。

predict_proba([fh, X, marginal])

计算/返回完全概率预测。

predict_quantiles([fh, X, alpha])

计算/返回分位数预测。

predict_residuals([y, X])

返回时间序列预测的残差。

predict_var([fh, X, cov])

计算/返回方差预测。

reset()

将对象重置为初始化后的干净状态。

save([path, serialization_format])

将序列化的 self 保存到字节对象或 (.zip) 文件。

score(y[, X, fh])

使用 MAPE（非对称）评估预测与真实值的差距。

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)

将实例级别标签覆盖设置为给定值。

update(y[, X, update_params])

更新截止值，可选地更新拟合参数。

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

在测试集上迭代进行预测并更新模型。

update_predict_single([y, fh, X, update_params])

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 , default = “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，将返回 "default" 集。当前预测器没有保留值。

Returns:
params :dict or list of dict , default = {}

要创建类的测试实例的参数。每个字典都是构造一个“有趣”测试实例的参数，例如 MyClass(**params) 或 MyClass(**params[i]) 创建一个有效的测试实例。create_test_instance 使用 `params 中的第一个（或唯一一个）字典

check_is_fitted(method_name=None)[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, optional

调用此函数的方法名称。如果提供，错误消息将包含此信息。

引发:
NotFittedError

如果评估器尚未拟合。

clone()[source]#

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

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

引发:
如果克隆不符合规范（由于 __init__ 错误），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 scikit-base 兼容对象都有一个标签字典。标签可用于存储关于对象的元数据，或控制对象的行为。

标签是特定于实例 self 的键值对，它们是构造对象后不更改的静态标志。

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__ 直接在构造后调用。

动态标签被设置为 estimator 中指定名称的标签的值，这些名称在 tag_names 中指定。

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

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 or list of str, default = None

字符串或字符串列表，默认 = None 要克隆的标签名称。默认值 (None) 克隆 estimator 中的所有标签。

Returns:
self

self 的引用。

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

使用第一个测试参数集构造类的实例。

参数:
parameter_setstr, default=”default”

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

Returns:
instanceinstance of the class with default parameters
具有默认参数的类实例

创建所有测试实例的列表及其名称列表。

参数:
parameter_setstr, default=”default”

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

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

objslist of instances of cls

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

nameslist of str, same length as objs

字符串列表，与 objs 长度相同。第 i 个元素是测试中第 i 个 obj 实例的名称。如果实例多于一个，命名约定为 {cls.__name__}-{i}，否则为 {cls.__name__}。

截至点 = 预测器的“当前时间”状态。

Returns:
property cutoff[source]#

cutoffpandas compatible index element, or None

pandas 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

已传递的预测范围。

property fh[source]#

将预测器拟合到训练数据。

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

状态变更

将状态变更为“已拟合”。

  • 写入 self

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

  • 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。

参数:
如果传递了 fh，则将其存储到 self.fh。

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 中的各个数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象的 scitype。

  • Series scitype = 单个时间序列，普通预测。pd.DataFrame、pd.Series 或 np.ndarray（1D 或 2D）

  • Panel scitype = 时间序列集合，全局/面板预测。具有 2 级行 MultiIndex (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，Series 类型的 pd.DataFrame 的 list。

Hierarchical scitype = 分层集合，用于分层预测。具有 3 级或更多行 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 的词汇表。有关用法，请参见预测教程 examples/01_forecasting.ipynb。

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

整数、列表、可强制转换为 pd.Index 或 ForecastingHorizon，默认=None 编码要预测的时间戳的预测范围。如果 self.get_tag("requires-fh-in-fit") 为 True，则必须在 fit 中传递，而不是可选的。

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

Returns:
sktime 兼容格式的时间序列，可选（默认=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。
selfReference to self.

拟合并预测未来范围的时间序列。

self 的引用。

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

状态变更

将状态变更为“已拟合”。

  • 写入 self

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

  • 将 self.is_fitted 标志设置为 True。

  • fit_predict(y, X=None, fh=None, X_pred=None)[source]#

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

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 中的各个数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象的 scitype。

  • Series scitype = 单个时间序列，普通预测。pd.DataFrame、pd.Series 或 np.ndarray（1D 或 2D）

  • Panel scitype = 时间序列集合，全局/面板预测。具有 2 级行 MultiIndex (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，Series 类型的 pd.DataFrame 的 list。

Hierarchical scitype = 分层集合，用于分层预测。具有 3 级或更多行 MultiIndex (hierarchy_1, ..., hierarchy_n, time) 的 pd.DataFrame。

将 fh 存储到 self.fh。

ysktime 兼容数据容器格式的时间序列

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

整数、列表、可强制转换为 pd.Index 或 ForecastingHorizon，默认=None 编码要预测的时间戳的预测范围。如果 self.get_tag("requires-fh-in-fit") 为 True，则必须在 fit 中传递，而不是可选的。

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

整数、列表、可强制转换为 pd.Index 或 ForecastingHorizon（非可选）编码要预测的时间戳的预测范围。

如果 fh 不是 None 且类型不是 ForecastingHorizon，则通过调用 _check_fh 强制转换为 ForecastingHorizon。特别是，如果 fh 类型为 pd.Index，则通过 ForecastingHorizon(fh, is_relative=False) 强制转换。

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

sktime 兼容格式的时间序列，可选（默认=None）。用于预测的外部时间序列。如果传递，将在 predict 中使用它而不是 X。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。

y_predtime series in sktime compatible data container format

从类中获取类标签值，具有父类标签级别的继承。

sktime 兼容数据容器格式的时间序列。在 fh 处的点预测，与 fh 具有相同的索引。y_pred 与最近传递的 y 具有相同类型：Series、Panel、Hierarchical scitype，相同格式（见上文）。

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

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

  1. 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。

  2. 它从对象中返回名称为 tag_name 的标签的值，考虑标签覆盖，优先级从高到低如下：

设置在类 _tags 属性中的标签。

设置在父类 _tags 属性中的标签，按继承顺序。

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。

参数:
要检索可能包含实例覆盖的标签值，请改用 get_tag 方法。

tag_namestr

字符串 标签值的名称。

tag_value_defaultany type

Returns:
任意类型 如果未找到标签，则为默认/回退值。

tag_value

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

从类中获取类标签，具有父类标签级别的继承。

每个 scikit-base 兼容对象都有一个标签字典。标签可用于存储关于对象的元数据，或控制对象的行为。

标签是特定于实例 self 的键值对，它们是构造对象后不更改的静态标志。

如果评估器尚未拟合。

classmethod get_class_tags()[source]#

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。

  1. 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。

  2. 它从对象中返回名称为 tag_name 的标签的值，考虑标签覆盖，优先级从高到低如下：

设置在类 _tags 属性中的标签。

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。

值是对应的标签值，覆盖的优先级从高到低如下：

设置在父类 _tags 属性中的标签，按继承顺序。

实例可以根据超参数覆盖这些标签。

要检索可能包含实例覆盖的标签，请改用 get_tags 方法。

要包含动态标签的覆盖，请使用 get_tags。

collected_tagsdict

获取 self 的配置标志。

字典 标签名称：标签值 对。通过嵌套继承从 _tags 类属性收集。不受通过 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()[source]#

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，这些配置会覆盖默认配置。

Returns:
默认配置在类或其父类的 _config 类属性中设置，并被通过 set_config 设置的动态配置覆盖。

配置在 clone 或 reset 调用下保留。

config_dictdict

获取拟合参数。

字典 配置名称：配置值 对。通过嵌套继承从 _config 类属性收集，然后来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

get_fitted_params(deep=True)[source]#

参数:
所需状态

要求状态为“已拟合”。

  • deepbool, default=True

  • 布尔值，默认=True 是否返回组件的拟合参数。

Returns:
如果为 True，将返回此对象的参数名称：值字典，包括可拟合组件（= BaseEstimator 值的参数）的拟合参数。

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

  • fitted_paramsdict with str-valued keys

  • 键为字符串的字典 拟合参数字典，paramname : paramvalue 键值对包括

  • 始终：此对象的所有拟合参数，如通过 get_param_names 获取的那样，值是该键在此对象中的拟合参数值

如果 deep=True，还包含组件参数的键/值对。组件的参数按 [componentname]__[paramname] 索引，componentname 的所有参数都显示为 paramname 及其值。

如果 deep=True，还包含任意级别的组件递归，例如 [componentname]__[componentcomponentname]__[paramname] 等。

Returns:
classmethod get_param_defaults()[source]#

获取对象的参数默认值。

default_dict: dict[str, Any]

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

参数:
classmethod get_param_names(sort=True)[source]#

获取对象的参数名称。

Returns:
sortbool, default=True

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

param_names: list[str]

获取此对象的参数值字典。

参数:
所需状态

字符串列表 cls 的参数名称列表。如果 sort=False，则顺序与它们在类 __init__ 中出现的顺序相同。如果 sort=True，则按字母顺序排序。

  • get_params(deep=True)[source]#

  • 是否返回组件的参数。

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

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

  • paramsdict with str-valued keys

  • 键为字符串的字典 拟合参数字典，paramname : paramvalue 键值对包括

  • 始终：此对象的所有拟合参数，如通过 get_param_names 获取的那样，值是该键在此对象中的拟合参数值

键为字符串的字典 参数字典，paramname : paramvalue 键值对包括

从实例获取标签值，具有标签级别的继承和覆盖。

每个 scikit-base 兼容对象都有一个标签字典。标签可用于存储关于对象的元数据，或控制对象的行为。

标签是特定于实例 self 的键值对，它们是构造对象后不更改的静态标志。

始终：此对象的所有参数，如通过 get_param_names 获取的那样，值是该键在此对象中的参数值，值始终与构造时传递的值相同。

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

get_tag 方法从实例中检索名称为 tag_name 的单个标签的值，考虑标签覆盖，优先级从高到低如下：

  1. 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。

  2. 它从对象中返回名称为 tag_name 的标签的值，考虑标签覆盖，优先级从高到低如下：

设置在类 _tags 属性中的标签。

参数:
要检索可能包含实例覆盖的标签值，请改用 get_tag 方法。

在实例上通过 set_tags 或 clone_tags 设置的标签，在实例构造时设置。

要检索的标签名称

tag_value_defaultany type, optional; default=None

任意类型，可选；默认=None 如果未找到标签，则为默认/回退值

raise_errorbool

Returns:
布尔值 当未找到标签时是否引发 ValueError

tag_valueAny

引发:
任意类型 self 中 tag_name 标签的值。如果未找到，并且 raise_error 为 True，则引发错误，否则返回 tag_value_default。

ValueError，如果 raise_error 为 True。

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

从实例获取标签，具有标签级别的继承和覆盖。

每个 scikit-base 兼容对象都有一个标签字典。标签可用于存储关于对象的元数据，或控制对象的行为。

标签是特定于实例 self 的键值对，它们是构造对象后不更改的静态标志。

get_tags()[source]#

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。

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

get_tag 方法从实例中检索名称为 tag_name 的单个标签的值，考虑标签覆盖，优先级从高到低如下：

  1. 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。

  2. 它从对象中返回名称为 tag_name 的标签的值，考虑标签覆盖，优先级从高到低如下：

设置在类 _tags 属性中的标签。

Returns:
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 任何属性的键，或者通过 set_tags 或 clone_tags 设置的标签的键。

collected_tagsdict

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

检查对象是否由其他 BaseObjects 组成。

is_composite()[source]#

Returns:
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。

composite: bool

布尔值 对象是否包含任何其值为 BaseObject 后代实例的参数。

是否已调用 fit。

property is_fitted[source]#

Returns:
检查对象的 _is_fitted` 属性，该属性应在对象构造期间初始化为 ``False，并在调用对象的 fit 方法时设置为 True。

bool

布尔值 评估器是否已 fit。

从文件位置加载对象。

参数:
classmethod load_from_path(serial)[source]#
Returns:
serialresult of ZipFile(path).open(“object)
ZipFile(path).open(“object) 的结果

从序列化内存容器加载对象。

参数:
deserialized self resulting in output at path, of cls.save(path)
Returns:
反序列化的 self，其结果位于 path，来自 cls.save(path) 的输出
classmethod load_from_serial(serial)[source]#

预测未来范围的时间序列。

字典 配置名称：配置值 对。通过嵌套继承从 _config 类属性收集，然后来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

serial1st element of output of cls.save(None)

cls.save(None) 输出的第一个元素

  • deserialized self resulting in output serial, of cls.save(None)

  • self.cutoff, self.is_fitted

将状态变更为“已拟合”。

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

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

预测范围，编码了要预测的时间戳。如果已经在 fit 中传递过，则不应再次传递。如果尚未在 fit 中传递，则必须传递，不可选。

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

X与 sktime 兼容格式的时间序列，可选 (默认=None)

用于预测的外生时间序列。应与 fit 中的 y 具有相同的科学类型（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为真，则 X.index 必须包含 fh 的索引引用。

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

sktime 兼容格式的时间序列，可选（默认=None）。用于预测的外部时间序列。如果传递，将在 predict 中使用它而不是 X。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。

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。

字典 配置名称：配置值 对。通过嵌套继承从 _config 类属性收集，然后来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

serial1st element of output of cls.save(None)

cls.save(None) 输出的第一个元素

  • deserialized self resulting in output serial, of cls.save(None)

  • self.cutoff, self.is_fitted

将状态变更为“已拟合”。

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

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

预测范围，编码了要预测的时间戳。如果已经在 fit 中传递过，则不应再次传递。如果尚未在 fit 中传递，则必须传递，不可选。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则在内部会被强制转换为 ForecastingHorizon（通过 _check_fh）。

  • 如果 fh 是 int 或 array-like 的 int，则被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，则被解释为绝对预测范围，并强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

X与 sktime 兼容格式的时间序列，可选 (默认=None)

用于预测的外生时间序列。应与 fit 中的 y 具有相同的科学类型（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为真，则 X.index 必须包含 fh 的索引引用。

coveragefloat 或包含唯一值的 float 列表，可选 (默认=0.90)

预测区间的名义覆盖率

Returns:
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。

顺序与输入的 coverage 一致。

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，则具有额外的（上层）索引级别，与实例级别相同。

来自 fit 中看到的 y。

条目是下限/上限区间的预测值，

对应于列索引中的变量、第二级列索引中的名义覆盖率、第三级列索引中的 lower/upper，以及行索引。对于 coverage 中的 c，上限/下限区间的预测值相当于 alpha = 0.5 - c/2 和 0.5 + c/2 处的分位数预测值。

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) 类型的 y 实现。

  • 返回的分布对象需要安装 skpro。

字典 配置名称：配置值 对。通过嵌套继承从 _config 类属性收集，然后来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

serial1st element of output of cls.save(None)

cls.save(None) 输出的第一个元素

  • deserialized self resulting in output serial, of cls.save(None)

  • self.cutoff, self.is_fitted

将状态变更为“已拟合”。

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

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

预测范围，编码了要预测的时间戳。如果已经在 fit 中传递过，则不应再次传递。如果尚未在 fit 中传递，则必须传递，不可选。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则在内部会被强制转换为 ForecastingHorizon（通过 _check_fh）。

  • 如果 fh 是 int 或 array-like 的 int，则被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，则被解释为绝对预测范围，并强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

X与 sktime 兼容格式的时间序列，可选 (默认=None)

用于预测的外生时间序列。应与 fit 中的 y 具有相同的科学类型（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为真，则 X.index 必须包含 fh 的索引引用。

marginalbool, 可选 (默认=True)

返回的分布是否按时间索引是边际分布

Returns:
pred_distskpro BaseDistribution

预测分布。如果 marginal=True，则为按时间点的边际分布；如果 marginal=False 且方法已实现，则为联合分布。

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。

字典 配置名称：配置值 对。通过嵌套继承从 _config 类属性收集，然后来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

serial1st element of output of cls.save(None)

cls.save(None) 输出的第一个元素

  • deserialized self resulting in output serial, of cls.save(None)

  • self.cutoff, self.is_fitted

将状态变更为“已拟合”。

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

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

预测范围，编码了要预测的时间戳。如果已经在 fit 中传递过，则不应再次传递。如果尚未在 fit 中传递，则必须传递，不可选。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则在内部会被强制转换为 ForecastingHorizon（通过 _check_fh）。

  • 如果 fh 是 int 或 array-like 的 int，则被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，则被解释为绝对预测范围，并强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

X与 sktime 兼容格式的时间序列，可选 (默认=None)

用于预测的外生时间序列。应与 fit 中的 y 具有相同的科学类型（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为真，则 X.index 必须包含 fh 的索引引用。

alphafloat 或包含唯一值的 float 列表，可选 (默认=[0.05, 0.95])

计算分位数预测值的概率或概率列表。

Returns:
quantilespd.DataFrame
列具有多级索引：第一级是 fit 中 y 的变量名，

第二级是传递给函数的 alpha 值。

行索引是 fh，如果 fit 中看到的 y 是 Panel 或 Hierarchical，则具有额外的（上层）索引级别，与实例级别相同。

来自 fit 中看到的 y。

条目是分位数预测值，对应于列索引中的变量，

第二级列索引中的分位数概率，以及行索引。

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

返回时间序列预测的残差。

将计算在 y.index 处的预测值的残差。

如果在 fit 中必须传递 fh，则必须与 y.index 一致。如果 y 是 np.ndarray 且在 fit 中未传递 fh，则残差将计算在 range(len(y.shape[0])) 的 fh 处。

字典 配置名称：配置值 对。通过嵌套继承从 _config 类属性收集，然后来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

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。

cls.save(None) 输出的第一个元素

拟合模型属性以“_”结尾。self.cutoff, self._is_fitted

将状态变更为“已拟合”。

无。

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

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

如果为 None，则使用到目前为止看到的 y (self._y)，特别是

  • 如果前面只有一个 fit 调用，则产生样本内残差

  • 如果 fit 需要 fh，则它必须指向 fit 中 y 的索引

X与 sktime 兼容格式的时间序列，可选 (默认=None)

用于更新和预测的外生时间序列。应与 fit 中的 y 具有相同的科学类型（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为真，则 X.index 必须同时包含 fh 索引引用和 y.index。

Returns:
y_res与 sktime 兼容数据容器格式的时间序列

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

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

计算/返回方差预测。

字典 配置名称：配置值 对。通过嵌套继承从 _config 类属性收集，然后来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

serial1st element of output of cls.save(None)

cls.save(None) 输出的第一个元素

  • deserialized self resulting in output serial, of cls.save(None)

  • self.cutoff, self.is_fitted

将状态变更为“已拟合”。

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

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

预测范围，编码了要预测的时间戳。如果已经在 fit 中传递过，则不应再次传递。如果尚未在 fit 中传递，则必须传递，不可选。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则在内部会被强制转换为 ForecastingHorizon（通过 _check_fh）。

  • 如果 fh 是 int 或 array-like 的 int，则被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，则被解释为绝对预测范围，并强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

X与 sktime 兼容格式的时间序列，可选 (默认=None)

用于预测的外生时间序列。应与 fit 中的 y 具有相同的科学类型（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为真，则 X.index 必须包含 fh 的索引引用。

covbool, 可选 (默认=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。

Returns:
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 的列名完全一致。

对于无名格式，列索引将是 RangeIndex。

行索引是 fh，具有与实例级别相同的额外级别，

来自 fit 中看到的 y。

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该变量和索引在观测数据下的预测方差。

来自 fit 中看到的 y。

如果 cov=True
列索引是多级索引：第一级是变量名（如上）

第二级是 fh。

行索引是 fh，具有与实例级别相同的额外级别，

来自 fit 中看到的 y。

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。

reset()[source]#

将对象重置为初始化后的干净状态。

将 self 设置为构造函数调用后直接的状态，保留相同的超参数。通过 set_config 设置的配置值也保留。

reset 调用会删除所有对象属性，除了

  • 超参数 = __init__ 的参数并写入 self，例如 self.paramname，其中 paramname 是 __init__ 的参数。

  • 包含双下划线的对象属性，即字符串“__”。例如，名为“__myattr”的属性会被保留。

  • 配置属性，配置保持不变。也就是说，reset 前后 get_config 的结果是相同的。

类和对象方法，以及类属性也不受影响。

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

在 self.reset() 调用后，self 的值和状态与构造函数调用 ``type(self)(**self.get_params(deep=False))`` 后获得的对象相同。

Returns:
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 self 保存到字节对象或 (.zip) 文件。

行为：如果 path 为 None，返回序列化的内存中 self；如果 path 是文件位置，将 self 存储在该位置作为 zip 文件。

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

参数:
pathNone 或文件位置 (str 或 Path)

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

  • path=”estimator”，则将在当前工作目录创建 zip 文件 estimator.zip。

  • path=”/home/stored/estimator”，则 zip 文件 estimator.zip 将被

存储在 /home/stored/ 中。

serialization_format: str, 默认 = “pickle”

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

Returns:
如果 path 为 None - 内存中序列化的 self
如果 path 是文件位置 - 指向文件的 ZipFile
score(y, X=None, fh=None)[source]#

使用 MAPE（非对称）评估预测与真实值的差距。

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

用于评分的时间序列

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

ysktime 兼容数据容器格式的时间序列

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

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

Returns:
scorefloat

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

另见

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:
默认配置在类或其父类的 _config 类属性中设置，并被通过 set_config 设置的动态配置覆盖。

配置名 : 配置值 对的字典。有效的配置、值及其含义如下所示。

displaystr, “diagram” (默认), 或 “text”

jupyter 内核如何显示 self 的实例

  • “diagram” = html 方框图表示

  • “text” = 字符串打印输出

print_changed_onlybool, 默认=True

self 的打印输出是否只列出与默认值不同的参数 (False)，还是列出所有参数名和值 (False)。不嵌套，即仅影响 self 而不影响组件估计器。

warningsstr, “on” (默认), 或 “off”

是否触发警告，仅影响来自 sktime 的警告

  • “on” = 将触发来自 sktime 的警告

  • “off” = 将不触发来自 sktime 的警告

backend:parallelstr, 可选, 默认=”None”

广播/向量化时使用的并行化后端，可选之一：

  • “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={} (不传递参数)

作为配置传递给并行化后端的额外参数。有效键取决于 backend:parallel 的值。

  • “None”: 无额外参数，忽略 backend_params

  • “loky”, “multiprocessing” 和 “threading”: 默认 joblib 后端，此处可以传递 joblib.Parallel 的任何有效键，例如 n_jobs，但 backend 除外，它由 backend 直接控制。如果未传递 n_jobs，将默认为 -1，其他参数将默认为 joblib 的默认值。

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

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

  • “ray”: 可以传递以下键

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

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

      关闭。

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

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

remember_databool, 默认=True

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。这在使用 save 时减小了序列化大小，但 update 将默认为“不执行任何操作”，而不是“重新拟合所有已见数据”。

Returns:
selfself 的引用。

注意

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

set_params(**params)[source]#

设置此对象的参数。

此方法适用于简单的 skbase 对象和复合对象。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>。如果引用清晰（例如，没有两个组件参数具有相同的名称 <parameter>），也可以使用字符串 <parameter>，不带 <component>__。

参数:
**paramsdict

BaseObject 参数，键必须是 <component>__<parameter> 字符串。如果唯一，__ 后缀可以作为完整字符串的别名，唯一性在 get_params 键中。

Returns:
selfself 的引用（参数已设置后）
set_random_state(random_state=None, deep=True, self_policy='copy')[source]#

为 self 设置 random_state 伪随机种子参数。

通过 self.get_params 查找名为 random_state 的参数，并通过 set_params 将它们设置为从 random_state 派生的整数。这些整数通过 sample_dependent_seed 的链式哈希采样，保证种子随机生成器具有伪随机独立性。

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

注意：即使 self 没有 random_state 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 将重置任何 scikit-base 对象，即使是那些没有 random_state 参数的对象。

参数:
random_stateint, RandomState 实例或 None, 默认=None

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

所需状态

是否在 skbase 对象值参数（即组件估计器）中设置随机状态。

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

  • 如果为 True，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 被设置为输入 random_state

  • “keep” : self.random_state 保持不变

  • “new” : self.random_state 被设置为一个新的随机状态，

从输入 random_state 派生，通常与之不同。

Returns:
selfself 的引用
set_tags(**tag_dict)[source]#

将实例级别标签覆盖设置为给定值。

sktime 兼容数据容器格式的时间序列。在 fh 处的点预测，与 fh 具有相同的索引。y_pred 与最近传递的 y 具有相同类型：Series、Panel、Hierarchical scitype，相同格式（见上文）。

标签是特定于实例 self 的键值对，它们是构建对象后不会更改的静态标志。它们可用于元数据检查，或用于控制对象的行为。

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，字典值是要设置的标签值。

set_tags 方法应仅在对象的 __init__ 方法中，在构建过程中调用，或在 __init__ 后直接调用。

当前标签值可以通过 get_tags 或 get_tag 进行检查。

参数:
**tag_dictdict

标签名 : 标签值 对的字典。

Returns:
Self

self 的引用。

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

更新截止值，可选地更新拟合参数。

如果未实现估计器特定的 update 方法，默认的回退行为如下：

  • update_params=True：拟合迄今为止所有观测到的数据

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

字典 配置名称：配置值 对。通过嵌套继承从 _config 类属性收集，然后来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

serial1st element of output of cls.save(None)

cls.save(None) 输出的第一个元素

  • deserialized self resulting in output serial, of cls.save(None)

  • self.cutoff, self.is_fitted

将状态变更为“已拟合”。

  • 将 self.cutoff 更新为 y 中看到的最新索引。

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

参数:
如果传递了 fh，则将其存储到 self.fh。

用于更新预测器的时间序列。

用于拟合预测器的时间序列。

  • sktime 中的各个数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象的 scitype。

  • Series scitype = 单个时间序列，普通预测。pd.DataFrame、pd.Series 或 np.ndarray（1D 或 2D）

  • Panel scitype = 时间序列集合，全局/面板预测。具有 2 级行 MultiIndex (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，Series 类型的 pd.DataFrame 的 list。

Hierarchical scitype = 分层集合，用于分层预测。具有 3 级或更多行 MultiIndex (hierarchy_1, ..., hierarchy_n, time) 的 pd.DataFrame。

整数、列表、可强制转换为 pd.Index 或 ForecastingHorizon，默认=None 编码要预测的时间戳的预测范围。如果 self.get_tag("requires-fh-in-fit") 为 True，则必须在 fit 中传递，而不是可选的。

用于更新模型拟合的外生时间序列。应与 y 具有相同的 科学类型（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为真，则 X.index 必须包含 y.index。

update_paramsbool, 可选 (默认=True)

是否应更新模型参数。如果为 False，则仅更新 cutoff，模型参数（例如系数）不更新。

Returns:
selfself 的引用
update_predict(y, cv=None, X=None, update_params=True, reset_forecaster=True)[source]#

在测试集上迭代进行预测并更新模型。

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

与以下操作相同（如果只有 y, cv 非默认）：

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

  2. 记住 self.predict()（稍后批量返回）

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

  4. 记住 self.predict()（稍后批量返回）

  5. 等等

  6. 返回所有记住的预测值

如果未实现估计器特定的 update 方法，默认的回退行为如下：

  • update_params=True：拟合迄今为止所有观测到的数据

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

字典 配置名称：配置值 对。通过嵌套继承从 _config 类属性收集，然后来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

serial1st element of output of cls.save(None)

cls.save(None) 输出的第一个元素

  • deserialized self resulting in output serial, of cls.save(None)

  • 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“_”结尾的拟合模型属性。

如果 reset_forecaster=True，则不更新状态。

参数:
如果传递了 fh，则将其存储到 self.fh。

用于更新预测器的时间序列。

用于拟合预测器的时间序列。

  • sktime 中的各个数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象的 scitype。

  • Series scitype = 单个时间序列，普通预测。pd.DataFrame、pd.Series 或 np.ndarray（1D 或 2D）

  • Panel scitype = 时间序列集合，全局/面板预测。具有 2 级行 MultiIndex (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，Series 类型的 pd.DataFrame 的 list。

Hierarchical scitype = 分层集合，用于分层预测。具有 3 级或更多行 MultiIndex (hierarchy_1, ..., hierarchy_n, time) 的 pd.DataFrame。

cv继承自 BaseSplitter 的时间交叉验证生成器，可选

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

X与 sktime 兼容格式的时间序列，可选 (默认=None)

用于更新和预测的外生时间序列。应与 fit 中的 y 具有相同的科学类型（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为真，则 X.index 必须包含 fh 索引引用。

update_paramsbool, 可选 (默认=True)

是否应更新模型参数。如果为 False，则仅更新 cutoff，模型参数（例如系数）不更新。

reset_forecasterbool, 可选 (默认=True)

  • 如果为 True，则不改变预测器的状态，即 update/predict 序列在副本上运行，self 的 cutoff、模型参数、数据内存不改变。

  • 如果为 False，则在运行 update/predict 序列时更新 self，就像直接调用 update/predict 一样。

Returns:
y_pred对象，用于制表来自多个分割批次的点预测

格式取决于预测的（cutoff，绝对预测范围）对的集合。

  • 如果绝对预测范围点的集合是唯一的：类型是与 sktime 兼容数据容器格式的时间序列，输出中隐藏 cutoff，其类型与最近传递的 y 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 pandas DataFrame，行索引和列索引都是时间戳，行索引对应于进行预测的 cutoffs，列索引对应于进行预测的绝对预测范围，条目是行索引预测的列索引的点预测。如果在该（cutoff，预测范围）对处没有预测，则条目为 nan。

来自 fit 中看到的 y。

使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]#

此方法对于在一个步骤中进行更新和预测非常有用。

字典 配置名称：配置值 对。通过嵌套继承从 _config 类属性收集，然后来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

get_fitted_params(deep=True)[source]#

cls.save(None) 输出的第一个元素

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

将状态变更为“已拟合”。

拟合模型属性以“_”结尾。指向已见数据的指针，self._y 和 self.X，self.cutoff，self._is_fitted。如果 update_params=True，则包括以“_”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 y 中看到的最后一个索引。如果 update_params=True，

参数:
如果传递了 fh，则将其存储到 self.fh。

用于更新预测器的时间序列。

用于拟合预测器的时间序列。

  • sktime 中的各个数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象的 scitype。

  • Series scitype = 单个时间序列，普通预测。pd.DataFrame、pd.Series 或 np.ndarray（1D 或 2D）

  • Panel scitype = 时间序列集合，全局/面板预测。具有 2 级行 MultiIndex (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，Series 类型的 pd.DataFrame 的 list。

Hierarchical scitype = 分层集合，用于分层预测。具有 3 级或更多行 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 的词汇表。有关用法，请参见预测教程 examples/01_forecasting.ipynb。

预测范围，编码了要预测的时间戳。如果已经在 fit 中传递过，则不应再次传递。如果尚未在 fit 中传递，则必须传递，不可选。

X与 sktime 兼容格式的时间序列，可选 (默认=None)

用于更新和预测的外生时间序列。应与 fit 中的 y 具有相同的科学类型（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为真，则 X.index 必须包含 fh 索引引用。

update_paramsbool, 可选 (默认=True)

是否应更新模型参数。如果为 False，则仅更新 cutoff，模型参数（例如系数）不更新。

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

sktime 兼容格式的时间序列，可选（默认=None）。用于预测的外部时间序列。如果传递，将在 predict 中使用它而不是 X。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。