Prophet#

class Prophet(freq=None, add_seasonality=None, add_country_holidays=None, growth='linear', growth_floor=0.0, growth_cap=None, changepoints=None, n_changepoints=25, changepoint_range=0.8, yearly_seasonality='auto', weekly_seasonality='auto', daily_seasonality='auto', holidays=None, seasonality_mode='additive', seasonality_prior_scale=10.0, holidays_prior_scale=10.0, changepoint_prior_scale=0.05, mcmc_samples=0, alpha=0.05, uncertainty_samples=1000, stan_backend=None, verbose=0, fit_kwargs=None)[source]#

Prophet 预测器，封装了 Facebook 的 prophet 算法 [1]。

使用 sktime 接口直接调用 Facebook prophet。所有超参数通过构造函数暴露。

数据可以使用 sktime 兼容的格式之一传递，无需像 prophet 包中那样将某列命名为 ds。

与原生 prophet 不同，也支持整数/范围和周期索引： * 整数/范围索引解释为自 2000 年 1 月 1 日以来的天数 * PeriodIndex 使用 pandas 方法 to_timestamp 进行转换

参数:

freq: str, default=None

一个 DatetimeIndex 频率。可能的值请参见 https://pandas.ac.cn/pandas-docs/stable/user_guide/timeseries.html

add_seasonality: dict or None, default=None

包含 Prophet.add_seasonality() 参数的字典。字典可以包含以下键/值：

name: 季节性分量的字符串名称。

period: 一个周期的天数（浮点数）。

fourier_order: 要使用的傅里叶分量数量（整数）。

prior_scale: 此分量的可选先验尺度（浮点数）。

mode: 可选的“加法”或“乘法”

condition_name: 季节性条件的字符串名称。

add_country_holidays: dict or None, default=None

包含 Prophet.add_country_holidays() 参数的字典。字典可以包含以下键/值：

country_name: 国家名称，例如“UnitedStates”或“US”

growth: str, default=”linear”

字符串“linear”或“logistic”用于指定线性或逻辑趋势。如果指定为“logistic”，则必须提供“growth_cap”的浮点数。

growth_floor: float, default=0

增长饱和最小值。仅当 growth="logistic" 时使用，否则无效（如果 growth 不是 "logistic"）。

growth_cap: float, default=None

增长饱和最大值，也称为承载能力。仅当 growth="logistic" 时强制要求为浮点数，否则无效且为可选（如果 growth 不是 "logistic"）。

changepoints: list or None, default=None

包含潜在变点的日期列表。如果未指定，则自动选择潜在变点。

n_changepoints: int, default=25

要包含的潜在变点数量。如果提供了输入 changepoints 则不使用。如果未提供 changepoints，则从历史记录的前 changepoint_range 比例中均匀选择 n_changepoints 个潜在变点。

changepoint_range: float, default=0.8

趋势变点将被估计的历史记录比例。默认为前 80% 的历史记录（即 0.8）。如果指定了 changepoints 则不使用。

yearly_seasonality: str or bool or int, default=”auto”

拟合年度季节性。可以是“auto”、True、False 或要生成的傅里叶项数量。

weekly_seasonality: str or bool or int, default=”auto”

拟合每周季节性。可以是“auto”、True、False 或要生成的傅里叶项数量。

daily_seasonality: str or bool or int, default=”auto”

拟合每日季节性。可以是“auto”、True、False 或要生成的傅里叶项数量。

holidays: pd.DataFrame or None, default=None

一个 pd.DataFrame，包含 holiday（字符串）和 ds（日期类型）列，以及可选的 lower_window 和 upper_window 列，用于指定日期前后包含为节假日的日期范围。lower_window=-2 将包含日期前 2 天作为节假日。还可以可选地包含一个 prior_scale 列，用于指定该节假日的先验尺度。

seasonality_mode: str, default=’additive’

取“additive”或“multiplicative”之一。

seasonality_prior_scale: float, default=10.0

调节季节性模型强度的参数。值越大，模型可以拟合更大的季节性波动，值越小则抑制季节性。可以使用 add_seasonality 为单独的季节性指定。

holidays_prior_scale: float, default=10.0

调节节假日分量模型强度的参数，除非在 holidays 输入中被覆盖。

changepoint_prior_scale: float, default=0.05

调节自动变点选择灵活性的参数。值越大，允许的变点越多；值越小，允许的变点越少。

mcmc_samples: int, default=0

如果大于 0，将使用指定数量的 MCMC 样本进行全贝叶斯推断。如果为 0，将进行 MAP 估计。

alpha: float, default=0.05

为预测提供的置信区间宽度。如果 mcmc_samples=0，这将仅是使用外推生成模型的 MAP 估计值计算的趋势不确定性。如果 mcmc.samples>0，这将对所有模型参数进行积分，其中将包含季节性的不确定性。

uncertainty_samples: int, default=1000

用于估计置信区间的模拟抽样数量。将此值设置为 0 或 False 将禁用不确定性估计并加快计算速度。

stan_backend: str or None, default=None

StanBackendEnum 中定义的字符串。如果为 None，将尝试迭代所有可用的后端并找到可用的。

fit_kwargs: dict or None, default=None

包含 Prophet.fit() 参数的字典。这些是传递给 Stan 中优化或抽样函数的附加参数。

属性:

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

参考资料

[1]

https://fbdocs.cn/prophet

示例

>>> from sktime.datasets import load_airline
>>> from sktime.forecasting.fbprophet import Prophet
>>> # Prophet requires to have data with a pandas.DatetimeIndex
>>> y = load_airline().to_timestamp(freq='M')
>>> forecaster = Prophet(  
...     seasonality_mode='multiplicative',
...     n_changepoints=int(len(y) / 12),
...     add_country_holidays={'country_name': 'Germany'},
...     yearly_seasonality=True)
>>> forecaster.fit(y)  
Prophet(...)
>>> 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`()	获取一个具有相同超参数和配置的对象的克隆。
`clone_tags`(estimator[, tag_names])	从另一个对象克隆标签作为动态覆盖。
`create_test_instance`([parameter_set])	使用第一个测试参数集构建类的实例。
`create_test_instances_and_names`([parameter_set])	创建所有测试实例及其名称列表。
`fit`(y[, X, fh])	将预测器拟合到训练数据。
`fit_predict`(y[, X, fh, X_pred])	拟合并在未来范围内预测时间序列。
`get_class_tag`(tag_name[, tag_value_default])	从类中获取类标签值，包含来自父类的标签级别继承。
`get_class_tags`()	从类中获取类标签，包含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])	获取已拟合的参数。
`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, ...])	从实例中获取标签值，包含标签级别继承和覆盖。
`get_tags`()	从实例中获取标签，包含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)	从序列化的内存容器加载对象。
`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`()	将对象重置到初始化后的干净状态。
`save`([path, serialization_format])	将序列化的自身保存到字节类对象或 (.zip) 文件。
`score`(y[, X, fh])	使用 MAPE（非对称）对预测结果进行评分，与真实值进行比较。
`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)	将实例级别的标签覆盖设置为给定值。
`update`(y[, X, update_params])	更新截止点值，并可选地更新已拟合参数。
`update_predict`(y[, cv, X, update_params, ...])	在测试集上迭代地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。

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的名称，用于测试。如果没有为某个值定义特殊参数，将返回 "default" 集。

返回:

paramsdict or list of dict

params: 字典或字典列表

检查评估器是否已拟合。

check_is_fitted(method_name=None)[source]#

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

参数:

如果不是，则引发 NotFittedError。: method_namestr, optional

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。

NotFittedError: 抛出:

如果评估器尚未拟合。

获取一个具有相同超参数和配置的对象的克隆。

clone()[source]#

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 type(self) 的新实例，并使用 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())。

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。

在值上也等同于调用 self.reset，但不同的是 clone 返回一个新对象，而不是像 reset 那样改变 self。

如果由于 __init__ 错误导致克隆不符合规范，则引发 RuntimeError。

从另一个对象克隆标签作为动态覆盖。

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

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

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

clone_tags 方法只能在对象的 __init__ 方法中，在构造过程中，或通过 __init__ 直接调用后调用。

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

tag_names 的默认设置是将 estimator 中的所有标签写入 self。

当前标签值可以通过 get_tags 或 get_tag 进行检查。

参数:

estimatorAn instance of :class:BaseObject or derived class
estimator: :class:BaseObject 或派生类的实例: tag_namesstr or list of str, default = None

返回:

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

对 self 的引用。

使用第一个测试参数集构建类的实例。

参数:

parameter_setstr, default=”default”: classmethod create_test_instance(parameter_set='default')[source]#

返回:

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

instanceinstance of the class with default parameters

创建所有测试实例及其名称列表。

参数:

parameter_setstr, default=”default”: classmethod create_test_instance(parameter_set='default')[source]#

返回:

instance: 具有默认参数的类实例: classmethod create_test_instances_and_names(parameter_set='default')[source]#
objslist of instances of cls: objs: cls 实例列表

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

截止点 = 预测器的“当前时间”状态。

返回:

第 i 个实例是 cls(**cls.get_test_params()[i]): nameslist of str, same length as objs

names: 字符串列表，长度与 objs 相同: 传递的预测范围。

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

将预测器拟合到训练数据。

第 i 个元素是测试中第 i 个 obj 实例的名称。命名约定是 {cls.__name__}-{i}（如果实例多于一个）或 {cls.__name__}（否则）。: property cutoff[source]#

cutoffpandas compatible index element, or None

pandas 兼容的索引元素，或 None

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

pandas 兼容的索引元素，如果已设置截止点；否则为 None

property fh[source]#

参数:

传递的预测范围。

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

状态改变

将状态更改为“已拟合”。
写入自身
设置以“_”结尾的已拟合模型属性，已拟合属性可通过 get_fitted_params 检查。

将 self.is_fitted 标志设置为 True。

将 self.cutoff 设置为在 y 中看到的最后一个索引。

如果传递了 fh，将其存储到 self.fh。

ytime series in sktime compatible data container format.

y: sktime 兼容数据容器格式的时间序列。

返回:

Time series to which to fit the forecaster.

用于拟合预测器的时间序列。

拟合并在未来范围内预测时间序列。

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

第 i 个元素是测试中第 i 个 obj 实例的名称。命名约定是 {cls.__name__}-{i}（如果实例多于一个）或 {cls.__name__}（否则）。: property cutoff[source]#

cutoffpandas compatible index element, or None

pandas 兼容的索引元素，或 None

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

pandas 兼容的索引元素，如果已设置截止点；否则为 None

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

参数:

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

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

状态改变

将状态更改为“已拟合”。
写入自身
设置以“_”结尾的已拟合模型属性，已拟合属性可通过 get_fitted_params 检查。

将 self.is_fitted 标志设置为 True。

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

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

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 的 list。

ytime series in sktime compatible data container format.

y: sktime 兼容数据容器格式的时间序列。

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

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

返回:

For further details on data format, see glossary on mtype. For usage, see forecasting tutorial examples/01_forecasting.ipynb: 有关数据格式的更多详细信息，请参阅 mtype 词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb。

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

从类中获取类标签值，包含来自父类的标签级别继承。

fh: 整数、列表、可强制转换为 pd.Index 或 ForecastingHorizon，默认为 None

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

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，不是可选的。

Xtime series in sktime compatible format, optional (default=None).
X: sktime 兼容格式的时间序列，可选（默认为 None）。

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

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

selfReference to self.

参数:

self: 对自身的引用。: fit_predict(y, X=None, fh=None, X_pred=None)[source]#
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。: 将 fh 存储到 self.fh。

返回:

ytime series in sktime compatible data container format: y: sktime 兼容数据容器格式的时间序列

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

从类中获取类标签，包含来自父类的标签级别继承。

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

每个 scikit-base 兼容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。

fh: 整数、列表、可强制转换为 pd.Index 或 ForecastingHorizon（非可选）

The forecasting horizon encoding the time stamps to forecast at.

编码要预测的时间戳的预测范围。

Xtime series in sktime compatible format, optional (default=None).
X: sktime 兼容格式的时间序列，可选（默认为 None）。

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

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

如果 fh 不是 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。

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

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

X_pred: sktime 兼容格式的时间序列，可选（默认为 None）: Exogeneous time series to use in prediction. If passed, will be used in predict instead of X. Should be of same scitype (Series, Panel, or Hierarchical) as y in fit. If self.get_tag("X-y-must-have-same-index"), X.index must contain fh index reference.

在预测中使用的外生时间序列。如果传递，将在预测中代替 X 使用。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")` 为 `True`，则 `X.index` 必须包含 `fh` 索引引用。

获取自身的配置标志。

y_predtime series in sktime compatible data container format

y_pred: sktime 兼容数据容器格式的时间序列

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

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

返回:

classmethod get_class_tag(tag_name, tag_value_default=None)[source]#: Every scikit-base compatible object has a dictionary of tags, which are used to store metadata about the object.

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

获取已拟合的参数。

The get_class_tag method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.: get_class_tag 方法是一个类方法，它仅考虑类级别的标签值和覆盖来检索标签的值。

参数:

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

它返回对象中名为 tag_name 的标签的值，按以下优先级降序考虑标签覆盖：

Tags set in the _tags attribute of the class.
在类的 _tags 属性中设置的标签。

返回:

Tags set in the _tags attribute of parent classes,

在父类的 _tags 属性中设置的标签，

in order of inheritance.
按继承顺序。
Does not take into account dynamic tag overrides on instances, set via set_tags or clone_tags, that are defined on instances.

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

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

返回:

要检索可能包含实例覆盖的标签值，请改用 get_tag 方法。: tag_namestr

tag_name: 字符串

Name of tag value.

参数:

标签值的名称。: tag_value_defaultany type

返回:

tag_value_default: 任意类型: Default/fallback value if tag is not found.

如果找不到标签，则使用默认/备用值。

获取此对象的参数值字典。

参数:

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

tag_value

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

返回:

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

classmethod get_class_tags()[source]#

The get_class_tags method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.
按继承顺序。
Does not take into account dynamic tag overrides on instances, set via set_tags or clone_tags, that are defined on instances.

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

从实例中获取标签值，包含标签级别继承和覆盖。

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

每个 scikit-base 兼容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。

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

它返回一个字典，键是类或其任何父类中设置的任何 _tags 属性的键。

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

Xtime series in sktime compatible format, optional (default=None).
X: sktime 兼容格式的时间序列，可选（默认为 None）。

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

参数:

self: 对自身的引用。: 值是相应的标签值，覆盖按以下优先级降序排列：
Instances can override these tags depending on hyper-parameters.: 实例可以根据超参数覆盖这些标签。
For including overrides from dynamic tags, use get_tags.: 要包含动态标签的覆盖，请使用 get_tags。

返回:

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

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。

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()[源代码]#

从实例中获取标签，包含标签级别继承和覆盖。

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

每个 scikit-base 兼容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。

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

编码要预测的时间戳的预测范围。

它返回一个字典，键是类或其任何父类中设置的任何 _tags 属性的键。

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

Xtime series in sktime compatible format, optional (default=None).
X: sktime 兼容格式的时间序列，可选（默认为 None）。

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

返回:

collected_tagsdict（字典）: 标签名称 : 标签值对的字典。从通过嵌套继承收集的 _tags 类属性以及来自 _tags_dynamic 对象属性的任何覆盖和新标签中收集。

is_composite()[源代码]#

检查对象是否由其他 BaseObjects 组成。

复合对象是包含其他对象作为参数的对象。在实例上调用，因为这可能因实例而异。

返回:

composite: bool（布尔值）: 一个对象是否包含任何参数，其值为 BaseObject 后代实例。

property is_fitted[源代码]#

fit 是否已被调用。

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

返回:

bool（布尔值）: 估计器是否已 fit。

classmethod load_from_path(serial)[源代码]#

从文件位置加载对象。

参数:

serialZipFile(path).open(“object) 的结果

返回:

解序列化 self，得到 cls.save(path) 在 path 的输出

classmethod load_from_serial(serial)[源代码]#

从序列化的内存容器加载对象。

参数:

serialcls.save(None) 输出的第一个元素

返回:

解序列化 self，得到 cls.save(None) 的输出 serial

predict(fh=None, X=None)[源代码]#

在未来范围内预测时间序列。

The get_class_tag method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.: 要求状态为“fitted”，即 self.is_fitted=True。

访问 self 中的

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

cutoffpandas compatible index element, or None: 如果传递了 fh 且之前未传递，则将 fh 存储到 self.fh。

参数:

将 self.cutoff 设置为在 y 中看到的最后一个索引。

预测时间戳的预测范围。如果在 fit 中已传递，则不应再次传递。如果在 fit 中未传递，则必须传递，不是可选的。

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 的 list。

Xsktime 兼容格式的时间序列，可选 (默认值=None)

预测中使用的外生时间序列。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")，则 X.index 必须包含 fh 索引引用。

返回:

For further details on data format, see glossary on mtype. For usage, see forecasting tutorial examples/01_forecasting.ipynb: 有关数据格式的更多详细信息，请参阅 mtype 词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb。

predict_interval(fh=None, X=None, coverage=0.9)[源代码]#

计算/返回预测区间预测。

如果 coverage 是可迭代的，则将计算多个区间。

The get_class_tag method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.: 要求状态为“fitted”，即 self.is_fitted=True。

访问 self 中的

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

cutoffpandas compatible index element, or None: 如果传递了 fh 且之前未传递，则将 fh 存储到 self.fh。

参数:

将 self.cutoff 设置为在 y 中看到的最后一个索引。

预测时间戳的预测范围。如果在 fit 中已传递，则不应再次传递。如果在 fit 中未传递，则必须传递，不是可选的。

如果 fh 不为 None 且类型不为 ForecastingHorizon，则其在内部被强制转换为 ForecastingHorizon (通过 _check_fh)。

如果 fh 是 int 或类数组的 int，则被解释为相对预测范围，并被强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 类型为 pd.Index，则被解释为绝对预测范围，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=None)

预测中使用的外生时间序列。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")，则 X.index 必须包含 fh 索引引用。

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

预测区间(s) 的名义覆盖率(s)

返回:

pred_intpd.DataFrame

列具有多级索引：第一级是 fit 中 y 的变量名，

第二级是计算区间的覆盖率分数。: 顺序与输入的 coverage 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 中使用的 y 是 Panel 或 Hierarchical，则附加（上层）级别等于实例级别。

条目是区间下限/上限的预测值，

对于列索引中的变量，在第二级列索引中的名义覆盖率下，根据第三级列索引是下限或上限，针对行索引。上限/下限区间预测相当于对 coverage 中的 c 计算 alpha = 0.5 - c/2, 0.5 + c/2 的分位数预测。

对于行索引对应的数据，列索引对应的变量，其值是在第二个列索引指定的名义覆盖度下，根据第三个列索引确定的区间下界或上界。区间上界/下界预测值等同于在分位数水平 alpha = 0.5 - c/2 和 0.5 + c/2 时的分位数预测值，其中 c 是覆盖度。

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

计算/返回完全概率预测。

注意

目前仅为 Series（非 Panel，非 Hierarchical）y 实现。
返回的分布对象需要安装 skpro。

The get_class_tag method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.: 要求状态为“fitted”，即 self.is_fitted=True。

访问 self 中的

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

cutoffpandas compatible index element, or None: 如果传递了 fh 且之前未传递，则将 fh 存储到 self.fh。

参数:

将 self.cutoff 设置为在 y 中看到的最后一个索引。

预测时间戳的预测范围。如果在 fit 中已传递，则不应再次传递。如果在 fit 中未传递，则必须传递，不是可选的。

如果 fh 不为 None 且类型不为 ForecastingHorizon，则其在内部被强制转换为 ForecastingHorizon (通过 _check_fh)。

如果 fh 是 int 或类数组的 int，则被解释为相对预测范围，并被强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 类型为 pd.Index，则被解释为绝对预测范围，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=None)

预测中使用的外生时间序列。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")，则 X.index 必须包含 fh 索引引用。

marginalbool（布尔值），可选 (默认值=True)

返回的分布是否按时间索引是边缘分布

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，则将是按时间点的边缘分布，否则将是联合分布

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

计算/返回分位数预测。

如果 alpha 是可迭代的，则将计算多个分位数。

The get_class_tag method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.: 要求状态为“fitted”，即 self.is_fitted=True。

访问 self 中的

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

cutoffpandas compatible index element, or None: 如果传递了 fh 且之前未传递，则将 fh 存储到 self.fh。

参数:

将 self.cutoff 设置为在 y 中看到的最后一个索引。

预测时间戳的预测范围。如果在 fit 中已传递，则不应再次传递。如果在 fit 中未传递，则必须传递，不是可选的。

如果 fh 不为 None 且类型不为 ForecastingHorizon，则其在内部被强制转换为 ForecastingHorizon (通过 _check_fh)。

如果 fh 是 int 或类数组的 int，则被解释为相对预测范围，并被强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 类型为 pd.Index，则被解释为绝对预测范围，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=None)

预测中使用的外生时间序列。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")，则 X.index 必须包含 fh 索引引用。

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

计算分位数预测时的概率或概率列表。

返回:

quantilespd.DataFrame

列具有多级索引：第一级是 fit 中 y 的变量名，: 第二级是传递给函数的 alpha 值。
行索引是 fh，如果 fit 中使用的 y 是 Panel 或 Hierarchical，则附加（上层）级别等于实例级别。: 条目是区间下限/上限的预测值，
条目是分位数预测值，对于列索引中的变量，: 在第二级列索引中的分位数概率下，针对行索引。

predict_residuals(y=None, X=None)[源代码]#

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，并且在 fit 中没有传递 fh，则残差将在 fh 为 range(len(y.shape[0])) 时计算。

The get_class_tag method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.: 要求状态为“fitted”。如果已设置 fh，则必须对应于 y 的索引（pandas 或整数）。
访问 self 中的: 以“_”结尾的已拟合模型属性。self.cutoff, self._is_fitted
cutoffpandas compatible index element, or None: 无。

参数:

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

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

如果为 None，则使用目前为止见到的 y (self._y)，特别是

如果在单个 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 (默认值=None)

用于更新和预测的外生时间序列应与 fit 中 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")，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: 在 fh 处的预测残差，索引与 fh 相同。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)[源代码]#

计算/返回方差预测。

The get_class_tag method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.: 要求状态为“fitted”，即 self.is_fitted=True。

访问 self 中的

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

cutoffpandas compatible index element, or None: 如果传递了 fh 且之前未传递，则将 fh 存储到 self.fh。

参数:

将 self.cutoff 设置为在 y 中看到的最后一个索引。

预测时间戳的预测范围。如果在 fit 中已传递，则不应再次传递。如果在 fit 中未传递，则必须传递，不是可选的。

如果 fh 不为 None 且类型不为 ForecastingHorizon，则其在内部被强制转换为 ForecastingHorizon (通过 _check_fh)。

如果 fh 是 int 或类数组的 int，则被解释为相对预测范围，并被强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 类型为 pd.Index，则被解释为绝对预测范围，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=None)

预测中使用的外生时间序列。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")，则 X.index 必须包含 fh 索引引用。

covbool（布尔值），可选 (默认值=False)

如果为 True，计算协方差矩阵预测。如果为 False，计算边缘方差预测。

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，附加级别等于实例级别，: 条目是区间下限/上限的预测值，

从 fit 中看到的 y 得来。条目是方差预测值，针对列索引中的变量。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。

该变量和该索引对应的方差，基于观测数据。

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，附加级别等于实例级别，: 条目是区间下限/上限的预测值，
条目是（协）方差预测值，针对列索引中的变量，以及: 行和列中时间索引之间的协方差。

注意：不返回不同变量之间的协方差预测。

reset()[源代码]#

将对象重置到初始化后的干净状态。

结果是将 self 设置为调用构造函数后的直接状态，使用相同的超参数。通过 set_config 设置的配置值也保留。

reset 调用删除任何对象属性，除了

超参数 = __init__ 的参数写入 self，例如，self.paramname，其中 paramname 是 __init__ 的参数
包含双下划线字符串“__”的对象属性。例如，名为“__myattr”的属性被保留。
配置属性，配置保持不变。get_config 在 reset 前后的结果相等。

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 而非返回新对象。

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

返回:

要克隆的标签名称。默认值（None）克隆 estimator 中的所有标签。: 重置到初始化后干净状态但保留当前超参数值的类实例。

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

将序列化的自身保存到字节类对象或 (.zip) 文件。

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 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"，则在当前工作目录（cwd）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（字符串），默认值 = “pickle”

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。

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)[源代码]#

使用 MAPE（非对称）对预测结果进行评分，与真实值进行比较。

参数:

ypd.Series, pd.DataFrame, or np.ndarray (1D or 2D): 要评分的时间序列
将 self.cutoff 设置为在 y 中看到的最后一个索引。: Panel scitype = collection of time series, global/panel forecasting. pd.DataFrame with 2-level row MultiIndex (instance, time), 3D np.ndarray (instance, variable, time), list of Series typed pd.DataFrame
Xpd.DataFrame 或 2D np.array，可选 (默认值=None): 要评分的外生时间序列如果 self.get_tag(“X-y-must-have-same-index”) 为 True，则 X.index 必须包含 y.index

返回:

scorefloat（浮点数）: 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)[源代码]#

将配置标志设置为给定值。

参数:

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

配置名称 : 配置值对的字典。有效的配置、值及其含义如下所示

displaystr（字符串），“diagram” (默认值)，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（布尔值），默认值=True

打印 self 时是否仅列出自默认值不同的参数 (True)，或列出所有参数名称和值 (False)。不嵌套，即仅影响 self，不影响组件估计器。

warningsstr（字符串），“on” (默认值)，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” = 将不引发来自 sktime 的警告

backend:parallelstr（字符串），可选，默认值=”None”

广播/向量化时用于并行处理的后端，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（字典），可选，默认值={} (未传递参数)

作为配置传递给并行化后端的附加参数。有效键取决于 backend:parallel 的值

“None”：无附加参数，忽略 backend_params
“loky”、“multiprocessing”和“threading”：默认 joblib 后端，可以在此处传递 joblib.Parallel 的任何有效键，例如 n_jobs，但 backend 除外，它由 backend 直接控制。如果未传递 n_jobs，则默认为 -1，其他参数默认为 joblib 默认值。
“joblib”：自定义和第三方 joblib 后端，例如 spark。可以在此处传递 joblib.Parallel 的任何有效键，例如 n_jobs，backend 必须作为 backend_params 的一个键传递。如果未传递 n_jobs，则默认为 -1，其他参数默认为 joblib 默认值。
“dask”：可以传递 dask.compute 的任何有效键，例如 scheduler
“ray”：可以传递以下键
- “ray_remote_args”：ray.init 有效键的字典
- “shutdown_ray”：bool（布尔值），默认值=True；False 防止 ray
  在并行化后关闭。
- “logger_name”：str（字符串），默认值=”ray”；要使用的 logger 名称。
- “mute_warnings”：bool（布尔值），默认值=False；如果为 True，则抑制警告

remember_databool（布尔值），默认值=True

是否在 fit 中存储 self._X 和 self._y，并在 update 中更新。如果为 True，则存储并更新 self._X 和 self._y。如果为 False，则不存储和更新 self._X 和 self._y。这在使用 save 时减小了序列化大小，但 update 将默认为“不执行任何操作”，而非“使用所有见过的数据重新拟合”。

返回:

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。

set_params(**params)[源代码]#

设置此对象的参数。

该方法对简单的 skbase 对象和复合对象都有效。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>。字符串 <parameter> 不带 <component>__ 也可用于引用，如果引用是明确的（例如，没有两个组件参数具有相同的名称 <parameter>）。

参数:

**paramsdict（字典）: 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，如果在 get_params 键中唯一。

返回:

self对 self 的引用 (参数设置后)

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

为自身设置 random_state 伪随机种子参数。

通过 self.get_params 查找名为 random_state 的参数，并通过 set_params 将它们设置为由 random_state 通过 sample_dependent_seed 派生的整数。这些整数通过链式哈希进行采样，并保证种子随机生成器的伪随机独立性。

根据 self_policy 适用于 self 中的 random_state 参数，并且当且仅当 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。

参数:

random_stateint, RandomState instance 或 None, 默认值=None

伪随机数生成器，用于控制随机整数的生成。传递 int 可确保多次函数调用产生可重现的输出。

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

是否在具有 skbase 对象值的参数（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，则也会设置组件对象中的 random_state 参数。

self_policystr（字符串），{“copy”, “keep”, “new”} 之一，默认值=”copy”

“copy”：self.random_state 设置为输入的 random_state
“keep”：self.random_state 保持不变
“new”：self.random_state 设置为新的随机状态，

派生自输入的 random_state，通常与其不同

返回:

self对 self 的引用

set_tags(**tag_dict)[源代码]#

将实例级别的标签覆盖设置为给定值。

fh: 整数、列表、可强制转换为 pd.Index 或 ForecastingHorizon，默认为 None

标签是特定于实例 self 的键值对，它们是对象构造后不更改的静态标志。它们可用于元数据检查或控制对象的行为。

set_tags 将动态标签覆盖设置为 tag_dict 中指定的值，其中键是标签名称，字典值是要设置的标签值。

set_tags 方法应仅在对象的 __init__ 方法中（构造期间）或通过 __init__ 构造后直接调用。

当前标签值可以通过 get_tags 或 get_tag 进行检查。

参数:

**tag_dictdict（字典）: 标签名称 : 标签值对的字典。

返回:

Self: 对 self 的引用。

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

更新截止点值，并可选地更新已拟合参数。

如果没有实现估计器特定的更新方法，则默认回退如下：

update_params=True：对所有至今为止观测到的数据进行拟合

update_params=False：仅更新 cutoff 并记住数据

The get_class_tag method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.: 要求状态为“fitted”，即 self.is_fitted=True。

访问 self 中的

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

cutoffpandas compatible index element, or None

将 self.cutoff 更新为 y 中见到的最新索引。

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

参数:

传递的预测范围。

用于更新预测器的时间序列。

状态改变

将状态更改为“已拟合”。
写入自身
设置以“_”结尾的已拟合模型属性，已拟合属性可通过 get_fitted_params 检查。

将 self.is_fitted 标志设置为 True。

ytime series in sktime compatible data container format.

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")，则 X.index 必须包含 y.index。

update_paramsbool（布尔值），可选 (默认值=True)

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

返回:

self对 self 的引用

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

在测试集上迭代地进行预测和更新模型。

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

与以下操作相同（如果只有 y, cv 是非默认值）

self.update(y=cv.split_series(y)[0][0])
记住 self.predict() (稍后一次返回)
self.update(y=cv.split_series(y)[1][0])
记住 self.predict() (稍后一次返回)
等等
返回所有记住的预测

如果没有实现估计器特定的更新方法，则默认回退如下：

update_params=True：对所有至今为止观测到的数据进行拟合

update_params=False：仅更新 cutoff 并记住数据

The get_class_tag method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.: 要求状态为“fitted”，即 self.is_fitted=True。

访问 self 中的

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self（除非 reset_forecaster=True）

将 self.cutoff 更新为 y 中见到的最新索引。
如果 update_params=True，则更新以“_”结尾的已拟合模型属性。

如果 reset_forecaster=True，不更新状态。

参数:

传递的预测范围。

用于更新预测器的时间序列。

状态改变

将状态更改为“已拟合”。
写入自身
设置以“_”结尾的已拟合模型属性，已拟合属性可通过 get_fitted_params 检查。

将 self.is_fitted 标志设置为 True。

cv继承自 BaseSplitter 的时间交叉验证生成器，可选

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

Xsktime 兼容格式的时间序列，可选 (默认值=None)

用于更新和预测的外生时间序列应与 fit 中 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")，则 X.index 必须包含 fh 索引引用。

update_paramsbool（布尔值），可选 (默认值=True)

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

reset_forecasterbool（布尔值），可选 (默认值=True)

如果为 True，则不会更改预测器的状态，即使用副本运行更新/预测序列，并且 self 的 cutoff、模型参数、数据内存不会改变。
如果为 False，则在运行更新/预测序列时会更新 self，就像直接调用更新/预测一样。

返回:

y_pred汇总来自多个分割批次的点预测的对象

格式取决于预测的总对（cutoff，绝对预测范围）

如果绝对预测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，类型与最近传递的 y 相同：Series，Panel，Hierarchical 科学类型，格式相同（见上）。
如果绝对预测范围点的集合不唯一：类型是 pandas DataFrame，行和列索引是时间戳，行索引对应于预测的 cutoff，列索引对应于预测的绝对预测范围，条目是根据行索引预测的列索引的点预测值，如果在该（cutoff，预测范围）对处未进行预测，则条目为 nan。

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

用新数据更新模型并进行预测。

此方法适用于一步完成更新和预测。

如果没有实现估计器特定的更新方法，则默认回退是先更新，然后预测。

The get_class_tag method is a class method, and retrieves the value of a tag taking into account only class-level tag values and overrides.: get_class_tag 方法是一个类方法，它仅考虑类级别的标签值和覆盖来检索标签的值。
访问 self 中的: 以“_”结尾的已拟合模型属性。指向已见过数据的指针，self._y 和 self.X。self.cutoff, self._is_fitted。如果 update_params=True，则更新以“_”结尾的模型属性。
cutoffpandas compatible index element, or None: 通过附加行更新 self._y 和 self._X 以及 y 和 X。将 self.cutoff 和 self._cutoff 更新为 y 中见到的最后一个索引。如果 update_params=True，

更新以“_”结尾的已拟合模型属性。

参数:

传递的预测范围。

用于更新预测器的时间序列。

状态改变

将状态更改为“已拟合”。
写入自身
设置以“_”结尾的已拟合模型属性，已拟合属性可通过 get_fitted_params 检查。

将 self.is_fitted 标志设置为 True。

将 self.cutoff 设置为在 y 中看到的最后一个索引。

预测时间戳的预测范围。如果在 fit 中已传递，则不应再次传递。如果在 fit 中未传递，则必须传递，不是可选的。

Xsktime 兼容格式的时间序列，可选 (默认值=None)

用于更新和预测的外生时间序列应与 fit 中 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")，则 X.index 必须包含 fh 索引引用。

update_paramsbool（布尔值），可选 (默认值=True)

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

返回:

For further details on data format, see glossary on mtype. For usage, see forecasting tutorial examples/01_forecasting.ipynb: 有关数据格式的更多详细信息，请参阅 mtype 词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb。