NaiveVariance

class NaiveVariance(forecaster, initial_window=1, verbose=False)

基于朴素策略计算预测方差。

NaiveVariance 为预测器 (`forecaster`) 添加了基于朴素时间序列假设计算预测方差的能力。其简单策略如下： - 设 \(y_1,\dots,y_T\) 是我们拟合估计器 \(f\) 的时间序列。 - 设 \(\widehat{y}_{ij}\) 是对时间点 \(j\) 的预测，通过将预测器拟合到部分时间序列 \(y_1,\dots,y_i\) 获得。 - 我们计算残差矩阵 \(R=(r_{ij})=(y_j-\widehat{y}_{ij})\) 。 - 对 \(y_{T+k}\) 的方差预测 \(v_k\) 为 \(\frac{1}{T-k}\sum_{i=1}^{T-k} a_{i,i+k}^2\)，因为我们平均了所有提前 \(k\) 个时间点的预测的平方残差。 - 对于协方差矩阵预测，公式变为 \(Cov(y_k, y_l)=\frac{\sum_{i=1}^N \hat{r}_{k,k+i}*\hat{r}_{l,l+i}}{N}\)。

生成的预测器将实现

predict_interval, predict_quantiles, predict_var 和 predict_proba，即使封装的预测器 forecaster 不具备此功能；对于点预测 (predict`)，其行为与封装的预测器相同。

参数:

forecaster估计器

用于添加概率预测的估计器

initial_window整型，可选，默认为 1

计算残差时用于拟合的最小初始索引数

verbose布尔型，可选，默认为 False

如果窗口中的数据点过少是否打印警告

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

是否已调用 fit。

示例

>>> from sktime.datasets import load_airline
>>> from sktime.forecasting.naive import NaiveForecaster, NaiveVariance
>>> y = load_airline()
>>> forecaster = NaiveForecaster(strategy="drift")
>>> variance_forecaster = NaiveVariance(forecaster)
>>> variance_forecaster.fit(y)
NaiveVariance(...)
>>> var_pred = variance_forecaster.predict_var(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一个实例。
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])	在未来范围拟合并预测时间序列。
get_class_tag(tag_name[, tag_value_default])	从类中获取类标签值，并继承父类的标签级别。
get_class_tags()	从类中获取类标签，并继承父类的标签级别。
get_config()	获取自身的配置标志。
get_fitted_params([deep])	获取已拟合参数。
get_param_defaults()	获取对象的默认参数值。
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，并考虑标签级别继承和覆盖。
get_tags()	从实例中获取标签，并考虑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 BaseObject 组成。
load_from_path(serial)	从文件位置加载对象。
load_from_serial(serial)	从序列化内存容器加载对象。
predict([fh, X])	在未来范围预测时间序列。
predict_interval([fh, X, coverage])	计算/返回预测区间预测。
predict_proba([fh, X, marginal])	计算/返回完全概率预测。
predict_quantiles([fh, X, alpha])	计算/返回分位数预测。
predict_residuals([y, X])	返回时间序列预测的残差。
predict_var([fh, X, cov])	计算/返回方差预测。
reset()	将对象重置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模型更新。
update_predict_single([y, fh, X, update_params])	使用新数据更新模型并进行预测。

classmethod get_test_params(parameter_set='default')

返回估计器的测试参数设置。

参数:

parameter_set字符串，默认为“default”

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

返回:

params字典或字典列表

check_is_fitted(method_name=None)

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_name字符串，可选

调用此函数的方法的名称。如果提供，错误消息将包含此信息。

抛出:

NotFittedError

如果估计器尚未拟合。

clone()

获取具有相同超参数和配置的对象的克隆。

克隆是另一个没有共享引用、处于初始化后状态的对象。此函数等同于返回自身的 sklearn.clone。

等同于构造一个新的 type(self) 实例，使用自身的参数，即 type(self)(**self.get_params(deep=False))。

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

在值上等同于调用自身的 reset，但不同之处在于 clone 返回一个新对象，而不是像 reset 那样改变自身。

抛出:

如果克隆不符合要求，则引发 RuntimeError，原因在于 __init__ 有缺陷。

clone_tags(estimator, tag_names=None)

从另一个对象克隆标签作为动态覆盖。

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

方法 clone_tags 只能在对象的 __init__ 方法中调用，即在构造期间或通过 __init__ 直接构造之后调用。

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

tag_names 的默认设置将 estimator 中的所有标签写入到自身。

当前标签值可以通过 get_tags 或 get_tag 查看。

estimator:class:BaseObject 或派生类的实例

参数:

tag_names字符串或字符串列表，默认为 None

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

self

返回:

对自身的引用。

classmethod create_test_instance(parameter_set='default')

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

使用第一个测试参数集构造类的一个实例。

参数:

parameter_set字符串，默认为“default”

instance具有默认参数的类的实例

返回:

classmethod create_test_instances_and_names(parameter_set='default')

objscls 实例列表

创建所有测试实例的列表及其名称列表。

参数:

parameter_set字符串，默认为“default”

instance具有默认参数的类的实例

返回:

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

names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。命名约定为，如果实例多于一个，则为 {cls.__name__}-{i}，否则为 {cls.__name__}

property cutoff

cutoffpandas 兼容索引元素，或 None

截止点 = 预测器的“当前时间”状态。

返回:

如果已设置截止点，则为 pandas 兼容索引元素；否则为 None。

property fh

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

传递的预测范围。

状态改变

将预测器拟合到训练数据。

将状态改变为“已拟合”。

写入自身

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

• 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。

参数:

用于拟合预测器的时间序列。

sktime 中的独立数据格式称为mtype规范，每种 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。pd.DataFrame 具有两级行 MultiIndex (instance, time), 3D np.ndarray (instance, variable, time`), `list` 的 `Series` 类型 `pd.DataFrame`

• Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 具有三级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time`)

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

fh整型、列表、可强制转换为 pd.Index 的对象，或 ForecastingHorizon，默认为 None

编码要预测的时间戳的预测范围。如果 self.get_tag("requires-fh-in-fit") 是 True，则必须在 fit 中传递，不可选

Xsktime 兼容格式的时间序列，可选（默认为 None）。

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

self对自身的引用。

返回:

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

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

在未来范围拟合并预测时间序列。

将 fh 存储到 self.fh。

将状态改变为“已拟合”。

写入自身

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

• 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

参数:

fh整型、列表、可强制转换为 pd.Index 的对象，或 ForecastingHorizon（不可选）

sktime 中的独立数据格式称为mtype规范，每种 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。pd.DataFrame 具有两级行 MultiIndex (instance, time), 3D np.ndarray (instance, variable, time`), `list` 的 `Series` 类型 `pd.DataFrame`

• Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 具有三级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time`)

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

fh整型、列表、可强制转换为 pd.Index 的对象，或 ForecastingHorizon，默认为 None

编码要预测的时间戳的预测范围。

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

X_predsktime 兼容格式的时间序列，可选（默认为 None）

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

self对自身的引用。

用于预测的外生时间序列。如果传递，将用于预测而不是 X。应与 fit 中的 y 的 scitype 相同（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。

y_predsktime 兼容数据容器格式的时间序列

返回:

在 fh 处的点预测，索引与 fh 相同。y_pred 具有与最近传递的 y 相同的类型：Series、Panel、Hierarchical scitype，格式相同（参见上文）

classmethod get_class_tag(tag_name, tag_value_default=None)

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

从类中获取类标签值，并继承父类的标签级别。

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。

它返回名称为 tag_name 的标签值，考虑了标签覆盖，按以下优先级降序排列：

在类的 _tags 属性中设置的标签。

1. 在父类的 _tags 属性中设置的标签，

2. 按继承顺序。

不考虑实例上的动态标签覆盖，即通过 set_tags 或 clone_tags 设置的标签，这些标签在实例上定义。

要检索具有潜在实例覆盖的标签值，请使用 get_tag 方法。

tag_name字符串

参数:

标签值的名称。

tag_value_default任意类型，可选；默认为 None

如果未找到标签，则为默认/回退值。

tag_value

返回:

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

classmethod get_class_tags()

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

从类中获取类标签，并继承父类的标签级别。

每个兼容 scikit-base 的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。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

它返回一个字典，其中键是在类或其任何父类中设置的任何 _tags 属性的键。

值是相应的标签值，覆盖的优先级按以下降序排列：

实例可以根据超参数覆盖这些标签。

1. 在父类的 _tags 属性中设置的标签，

2. 按继承顺序。

不考虑实例上的动态标签覆盖，即通过 set_tags 或 clone_tags 设置的标签，这些标签在实例上定义。

要检索具有潜在实例覆盖的标签，请使用 get_tags 方法。

要包含来自动态标签的覆盖，请使用 get_tags。

要检索具有潜在实例覆盖的标签值，请使用 get_tag 方法。

collected_tags字典

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

get_config()

配置是自身的键值对，通常用作控制行为的瞬态标志。

获取自身的配置标志。

get_config 返回动态配置，这些配置覆盖默认配置。

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_dict字典

返回:

配置名称 : 配置值对的字典。从 _config 类属性通过嵌套继承收集，然后是来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

get_fitted_params(deep=True)

所需状态

获取已拟合参数。

需要状态为“已拟合”。

deep布尔型，默认为 True

参数:

是否返回组件的已拟合参数。

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

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

• fitted_params键为字符串的字典

返回:

已拟合参数字典，`paramname : paramvalue` 键值对包含：

始终：此对象的所有已拟合参数，如同通过 get_param_names 获取，值为该键对应的此对象的已拟合参数值

• 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 [componentname]__[paramname]， componentname 的所有参数显示为 paramname，并带有其值

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

• classmethod get_param_defaults()

获取对象的默认参数值。

default_dict: dict[str, Any]

返回:

键是 cls 的所有参数，这些参数在 __init__ 中定义了默认值。值是默认值，如在 __init__ 中所定义。

classmethod get_param_names(sort=True)

获取对象的参数名称。

sort布尔型，默认为 True

参数:

是否按字母顺序排序返回参数名称（True），或按其在类 __init__ 中的出现顺序返回（False）。

param_names: list[str]

返回:

cls 的参数名称列表。如果 sort=False，则与它们在类 __init__ 中的出现顺序相同。如果 sort=True，则按字母顺序排序。

get_params(deep=True)

是否返回组件的参数。

获取此对象的参数值字典。

参数:

是否返回组件的已拟合参数。

如果 True，将返回一个参数名称 : 参数值 dict，包括组件的参数（= BaseObject 值参数）。

• 如果 False，将返回一个参数名称 : 参数值 dict，但不包括组件的参数。

• params键为字符串的字典

返回:

参数字典，`paramname : paramvalue` 键值对包含：

始终：此对象的所有参数，如同通过 get_param_names 获取，值为该键对应的此对象的参数值，这些值始终与构造时传递的值相同

• get_tag(tag_name, tag_value_default=None, raise_error=True)

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

• classmethod get_param_defaults()

get_tag 方法检索名称为 tag_name 的单个标签值，考虑了标签覆盖，按以下优先级降序排列：

从实例中获取标签值，并考虑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。标签可用于存储关于对象的元数据，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。

通过 set_tags 或 clone_tags 在实例上设置的标签，

1. 在实例构造时。

要检索的标签名称

2. 在父类的 _tags 属性中设置的标签，

3. 按继承顺序。

不考虑实例上的动态标签覆盖，即通过 set_tags 或 clone_tags 设置的标签，这些标签在实例上定义。

参数:

标签值的名称。

tag_value_default任意类型，可选；默认为 None

如果未找到标签，则为默认/回退值

raise_error布尔型

当未找到标签时，是否抛出 ValueError 错误

tag_value任意类型

返回:

self 中 tag_name 标签的值。如果未找到，则在 raise_error 为 True 时抛出错误，否则返回 tag_value_default。

ValueError，如果 raise_error 是 True。

抛出:

如果 tag_name 不在 self.get_tags().keys() 中，则抛出 ValueError。

get_tags()

get_tags 方法返回一个标签字典，其中键是在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。

从实例中获取标签，并考虑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。标签可用于存储关于对象的元数据，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。

collected_tags字典

实例可以根据超参数覆盖这些标签。

1. 在实例构造时。

要检索的标签名称

2. 在父类的 _tags 属性中设置的标签，

3. 按继承顺序。

不考虑实例上的动态标签覆盖，即通过 set_tags 或 clone_tags 设置的标签，这些标签在实例上定义。

返回:

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

is_composite()

组合对象是指包含其他对象作为参数的对象。在实例上调用，因为可能因实例而异。

检查对象是否由其他 BaseObject 组成。

composite: bool

返回:

对象是否具有任何其值是 BaseObject 后代实例的参数。

property is_fitted

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。

是否已调用 fit。

bool

返回:

估计器是否已拟合。

classmethod load_from_path(serial)

serialZipFile(path).open(“object”) 的结果

从文件位置加载对象。

参数:

反序列化自身后在 path 处的输出，来自 cls.save(path)

返回:

classmethod load_from_serial(serial)

serialcls.save(None) 输出的第一个元素

从序列化内存容器加载对象。

参数:

反序列化自身后的输出 serial，来自 cls.save(None)

返回:

predict(fh=None, X=None)

所需状态为“已拟合”，即 self.is_fitted=True。

在未来范围预测时间序列。

需要状态为“已拟合”。

访问自身属性

以“_”结尾的已拟合模型属性。

• self.cutoff, self.is_fitted

• 如果 fh 已传递且之前未传递，则将其存储到 self.fh。

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

编码要预测的时间戳的预测范围。如果已在 fit 中传递，则不应再次传递。如果未在 fit 中传递，则必须传递，不可选

参数:

编码要预测的时间戳的预测范围。如果 self.get_tag("requires-fh-in-fit") 是 True，则必须在 fit 中传递，不可选

Xsktime 兼容格式的时间序列，可选（默认为 None）

X_predsktime 兼容格式的时间序列，可选（默认为 None）

用于预测的外生时间序列。应与 fit 中的 y 的 scitype 相同（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。

用于预测的外部时间序列。应具有与 fit 中的 y 相同的科学类型 (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。

返回:

在 fh 处的点预测，索引与 fh 相同。y_pred 具有与最近传递的 y 相同的类型：Series、Panel、Hierarchical scitype，格式相同（参见上文）

classmethod get_class_tag(tag_name, tag_value_default=None)

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

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。

需要状态为“已拟合”。

访问自身属性

以“_”结尾的已拟合模型属性。

• self.cutoff, self.is_fitted

• 如果 fh 已传递且之前未传递，则将其存储到 self.fh。

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

编码要预测的时间戳的预测范围。如果已在 fit 中传递，则不应再次传递。如果未在 fit 中传递，则必须传递，不可选

参数:

编码要预测的时间戳的预测范围。如果 self.get_tag("requires-fh-in-fit") 是 True，则必须在 fit 中传递，不可选

Xsktime 兼容格式的时间序列，可选（默认为 None）

如果 fh 不为 None 且不是 ForecastingHorizon 类型，则内部将其强制转换为 ForecastingHorizon（通过 _check_fh）。

• 如果 fh 是 int 或类似 int 的数组，则将其解释为相对预测期，并强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。

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

用于预测的外生时间序列。应与 fit 中的 y 的 scitype 相同（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。

用于预测的外部时间序列。应具有与 fit 中的 y 相同的科学类型 (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。

coveragefloat 或 具有唯一值的 float 列表，可选 (默认=0.90)

预测区间的标称覆盖率

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率分数。

顺序与输入 coverage 中的顺序相同。

第三级是字符串“lower”或“upper”，表示区间下限/上限。

行索引是 fh，如果 fit 中看到的 y 是 Panel 或 Hierarchical，则附加的上层索引等于实例层级。

来自 fit 中看到的 y。

条目是区间下限/上限的预测，

针对列索引中的变量，第二列索引中的标称覆盖率，以及第三列索引确定的下限/上限，对应的行索引。对于 c 在 coverage 中的值，区间上限/下限预测等同于在 alpha = 0.5 - c/2, 0.5 + c/2 时的分位数预测。

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

计算/返回完全概率预测。

注意

• 目前仅对 Series (非 Panel, 非 Hierarchical) y 实现。

• 返回的分布对象需要安装 skpro。

需要状态为“已拟合”。

访问自身属性

以“_”结尾的已拟合模型属性。

• self.cutoff, self.is_fitted

• 如果 fh 已传递且之前未传递，则将其存储到 self.fh。

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

编码要预测的时间戳的预测范围。如果已在 fit 中传递，则不应再次传递。如果未在 fit 中传递，则必须传递，不可选

参数:

编码要预测的时间戳的预测范围。如果 self.get_tag("requires-fh-in-fit") 是 True，则必须在 fit 中传递，不可选

Xsktime 兼容格式的时间序列，可选（默认为 None）

如果 fh 不为 None 且不是 ForecastingHorizon 类型，则内部将其强制转换为 ForecastingHorizon（通过 _check_fh）。

• 如果 fh 是 int 或类似 int 的数组，则将其解释为相对预测期，并强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。

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

用于预测的外生时间序列。应与 fit 中的 y 的 scitype 相同（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。

用于预测的外部时间序列。应具有与 fit 中的 y 相同的科学类型 (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。

marginalbool，可选 (默认=True)

返回的分布是否按时间索引进行边际化

返回:

pred_distskpro BaseDistribution

预测分布，如果 marginal=True，则按时间点进行边际分布；如果 marginal=False 且由方法实现，则为联合分布。

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

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。

需要状态为“已拟合”。

访问自身属性

以“_”结尾的已拟合模型属性。

• self.cutoff, self.is_fitted

• 如果 fh 已传递且之前未传递，则将其存储到 self.fh。

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

编码要预测的时间戳的预测范围。如果已在 fit 中传递，则不应再次传递。如果未在 fit 中传递，则必须传递，不可选

参数:

编码要预测的时间戳的预测范围。如果 self.get_tag("requires-fh-in-fit") 是 True，则必须在 fit 中传递，不可选

Xsktime 兼容格式的时间序列，可选（默认为 None）

如果 fh 不为 None 且不是 ForecastingHorizon 类型，则内部将其强制转换为 ForecastingHorizon（通过 _check_fh）。

• 如果 fh 是 int 或类似 int 的数组，则将其解释为相对预测期，并强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。

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

用于预测的外生时间序列。应与 fit 中的 y 的 scitype 相同（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。

用于预测的外部时间序列。应具有与 fit 中的 y 相同的科学类型 (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。

alphafloat 或 具有唯一值的 float 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，则附加的上层索引等于实例层级。

来自 fit 中看到的 y。

条目是分位数预测，针对列索引中的变量，

在第二列索引中的分位数概率，对应的行索引。

predict_residuals(y=None, X=None)

返回时间序列预测的残差。

将针对 y.index 处的预测计算残差。

如果 fit 中必须传递 fh，则必须与 y.index 一致。如果 y 是 np.ndarray，并且在 fit 中没有传递 fh，则残差将根据 len(y.shape[0]) 的范围计算。

需要状态为“已拟合”。

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

以“_”结尾的已拟合模型属性。

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

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

无。

参数:

fh整型、列表、可强制转换为 pd.Index 的对象，或 ForecastingHorizon（不可选）

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

如果为 None，则使用迄今为止已见的 y (self._y)，特别地，

• 如果之前只有一个 fit 调用，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部时间序列。应具有与 fit 中的 y 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 必须同时包含 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，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，相同格式 (参见上文)。

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

计算/返回方差预测。

需要状态为“已拟合”。

访问自身属性

以“_”结尾的已拟合模型属性。

• self.cutoff, self.is_fitted

• 如果 fh 已传递且之前未传递，则将其存储到 self.fh。

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

编码要预测的时间戳的预测范围。如果已在 fit 中传递，则不应再次传递。如果未在 fit 中传递，则必须传递，不可选

参数:

编码要预测的时间戳的预测范围。如果 self.get_tag("requires-fh-in-fit") 是 True，则必须在 fit 中传递，不可选

Xsktime 兼容格式的时间序列，可选（默认为 None）

如果 fh 不为 None 且不是 ForecastingHorizon 类型，则内部将其强制转换为 ForecastingHorizon（通过 _check_fh）。

• 如果 fh 是 int 或类似 int 的数组，则将其解释为相对预测期，并强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。

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

用于预测的外生时间序列。应与 fit 中的 y 的 scitype 相同（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。

用于预测的外部时间序列。应具有与 fit 中的 y 相同的科学类型 (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。

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 的列名完全相同。

对于无名格式，列索引将是 RangeIndex。

行索引是 fh，附加层级等于实例层级，

来自 fit 中看到的 y。

来自 fit 中看到的 y。条目是方差预测，针对列索引中的变量。对于给定变量和 fh 索引的方差预测是根据观测数据预测的

该变量和索引的方差。

如果 cov=True

列索引是多重索引：第一级是变量名（如上文）

第二级是 fh。

行索引是 fh，附加层级等于实例层级，

来自 fit 中看到的 y。

条目是（协）方差预测，针对列索引中的变量，以及

行和列中的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()

将对象重置到初始化后的干净状态。

结果是将 self 设置为其在构造函数调用后立即所处的状态，具有相同的超参数。set_config 设置的配置值也保留。

一个 reset 调用删除所有对象属性，除了

• 超参数 = __init__ 的参数写入 self，例如，self.paramname 其中 paramname 是 __init__ 的参数

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

• 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。

等同于 clone，不同之处在于 reset 修改 self 而不是返回一个新对象。

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

返回:

对自身的引用。

类实例重置到干净的 post-init 状态，但保留当前的超参数值。

save(path=None, serialization_format='pickle')

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，则返回一个内存中的序列化 self；如果 path 是文件位置，则将 self 存储为 zip 文件在该位置。

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。该类使用默认序列化 (pickle)。

参数:

pathNone 或 文件位置 (str 或 Path)

如果为 None，self 将保存到内存中的对象；如果为文件位置，self 将保存到该文件位置。如果

• path=”estimator” 则会在当前工作目录 (cwd) 创建一个 zip 文件 estimator.zip。

• path=”/home/stored/estimator” 则会在 /home/stored/ 中存储一个 zip 文件 estimator.zip。

存储在 /home/stored/ 中。

serialization_format: str，默认 = “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 为文件位置 - ZipFile 引用该文件

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

使用 MAPE（非对称）对预测进行评分与真实值进行比较。

参数:

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

用于评分的时间序列

编码要预测的时间戳的预测范围。如果 self.get_tag("requires-fh-in-fit") 是 True，则必须在 fit 中传递，不可选

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

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

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

返回:

scorefloat

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)

将配置标志设置为给定值。

参数:

配置名称 : 配置值对的字典。从 _config 类属性通过嵌套继承收集，然后是来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

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，“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 时是仅列出自默认值更改的参数 (False)，还是列出所有参数名称和值 (False)。不进行嵌套，即仅影响 self，而不影响组件估计器。

warningsstr，“on”(默认)，或“off”

是否引发警告，仅影响来自 sktime 的警告

• “on” = 将引发来自 sktime 的警告

• “off” = 不会引发来自 sktime 的警告

backend:parallelstr，可选，默认=“None”

用于并行化广播/向量化的后端，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，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。有效键取决于 backend:parallel 的值

• “None”: 没有附加参数，忽略 backend_params

• “loky”、“multiprocessing”和“threading”: 默认的 joblib 后端，可以传递 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 joblib.Parallel 的任何有效键，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 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 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_data布尔型，默认为 True

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

self对自身的引用。

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)

参数:

该方法适用于简单的 skbase 对象以及复合对象。参数键字符串 <component>__<parameter> 可用于复合对象（即包含其他对象的对象），以访问组件 <component> 中的 <parameter>。字符串 <parameter>（不带 <component>__）也可用于无歧义的引用，例如，没有两个组件参数具有相同的名称 <parameter>。

**paramsdict

返回:

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

self对自身的引用（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')

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 进行链式哈希采样，并保证种子随机生成器的伪随机独立性。

取决于 self_policy，应用于 self 中的 random_state 参数，并且仅当 deep=True 时应用于剩余的组件对象。

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，即使是没有 random_state 参数的对象。

random_stateint, RandomState 实例 或 None，默认=None

是否返回组件的已拟合参数。

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现的输出。

• 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，将仅设置 self 的 random_state 参数（如果存在）。

如果为 True，也将设置组件对象中的 random_state 参数。

• self_policystr，以下之一 {“copy”, “keep”, “new”}，默认=“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 设置为一个新的随机状态，

返回:

从输入的 random_state 派生，通常与它不同

self对自身的引用

将实例级别标签覆盖设置为给定值。

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。

set_tags(**tag_dict)

标签是实例 self 特定的键值对，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。

estimator:class:BaseObject 或派生类的实例

参数:

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。

**tag_dictdict

返回:

标签名称：标签值 对的字典。

Self

对自身的引用。

更新截止点值，并可选地更新已拟合参数。

update(y, X=None, update_params=True)

• 如果尚未实现特定于估计器的更新方法，则默认回退如下：

• update_params=True: 拟合迄今为止所有观测到的数据

需要状态为“已拟合”。

访问自身属性

以“_”结尾的已拟合模型属性。

• self.cutoff, self.is_fitted

• 如果 fh 已传递且之前未传递，则将其存储到 self.fh。

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

• update_params=False: 仅更新截止点并记住数据

• 更新 self.cutoff 到 y 中看到的最新索引。

参数:

用于拟合预测器的时间序列。

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

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。pd.DataFrame 具有两级行 MultiIndex (instance, time), 3D np.ndarray (instance, variable, time`), `list` 的 `Series` 类型 `pd.DataFrame`

• Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 具有三级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time`)

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

fh整型、列表、可强制转换为 pd.Index 的对象，或 ForecastingHorizon，默认为 None

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

用于更新预测器的时间序列。

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

update_paramsbool，可选 (默认=True)

返回:

从输入的 random_state 派生，通常与它不同

是否应更新模型参数。如果 False，则仅更新截止点，模型参数（例如，系数）不更新。

在测试集上迭代地进行预测和模型更新。

update_predict(y, cv=None, X=None, update_params=True, reset_forecaster=True)

简写，用于执行多个 update / predict 连续操作，数据回放基于时间分割器 cv。

1. 与以下操作相同（如果只有 y, cv 非默认）：

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

3. 记住 self.predict() (稍后一次性返回)

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

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

6. 等等

update(y, X=None, update_params=True)

• 如果尚未实现特定于估计器的更新方法，则默认回退如下：

• update_params=True: 拟合迄今为止所有观测到的数据

需要状态为“已拟合”。

访问自身属性

以“_”结尾的已拟合模型属性。

• self.cutoff, self.is_fitted

• 如果 fh 已传递且之前未传递，则将其存储到 self.fh。

返回所有记住的预测

• update_params=False: 仅更新截止点并记住数据

• 更新 self.cutoff 到 y 中看到的最新索引。

写入 self (除非 reset_forecaster=True)

参数:

用于拟合预测器的时间序列。

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

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。pd.DataFrame 具有两级行 MultiIndex (instance, time), 3D np.ndarray (instance, variable, time`), `list` 的 `Series` 类型 `pd.DataFrame`

• Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 具有三级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time`)

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

fh整型、列表、可强制转换为 pd.Index 的对象，或 ForecastingHorizon，默认为 None

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 = 具有 initial_window=1 和默认值的 ExpandingWindowSplitter = y/X 中的单个数据点逐个添加并预测，initial_window = 1, step_length = 1 和 fh = 1。

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

update_paramsbool，可选 (默认=True)

用于更新和预测的外部时间序列。应具有与 fit 中的 y 相同的科学类型 (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。

• reset_forecasterbool，可选 (默认=True)

• 如果为 True，则不会改变预测器的状态，即更新/预测序列在副本上运行，并且 self 的截止点、模型参数、数据内存不会改变。

返回:

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。

y_pred对来自多个分割批次的点预测进行制表的对象

• 格式取决于预测的（截止点，绝对预测期）对

• 如果绝对预测期点的集合是唯一的：类型是 sktime 兼容数据容器格式的时间序列，输出中省略了截止点，类型与最近传递的 y 相同：Series, Panel, Hierarchical 科学类型，格式相同 (参见上文)

如果绝对预测期点的集合不是唯一的：类型是 pandas DataFrame，行和列索引都是时间戳，行索引对应于进行预测的截止点，列索引对应于进行预测的绝对预测期，条目是该（截止点，预测期）对的点预测，如果在该对没有进行预测，则条目为 nan。

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)

此方法对于一步完成更新和预测很有用。

需要状态为“已拟合”。

deep布尔型，默认为 True

以“_”结尾的已拟合模型属性。

如果尚未实现特定于估计器的更新方法，则默认回退是先更新，然后预测。

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

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，则模型属性以“_”结尾。

通过附加行更新 self._y 和 self._X 以及 y 和 X。更新 self.cutoff 和 self._cutoff 到 y 中看到的最后一个索引。如果 update_params=True，

参数:

用于拟合预测器的时间序列。

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

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。pd.DataFrame 具有两级行 MultiIndex (instance, time), 3D np.ndarray (instance, variable, time`), `list` 的 `Series` 类型 `pd.DataFrame`

• Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 具有三级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time`)

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

fh整型、列表、可强制转换为 pd.Index 的对象，或 ForecastingHorizon，默认为 None

编码要预测的时间戳的预测范围。如果 self.get_tag("requires-fh-in-fit") 是 True，则必须在 fit 中传递，不可选

Xsktime 兼容格式的时间序列，可选（默认为 None）

Xsktime 兼容格式的时间序列，可选 (默认=None)

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

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

update_paramsbool，可选 (默认=True)

返回:

在 fh 处的点预测，索引与 fh 相同。y_pred 具有与最近传递的 y 相同的类型：Series、Panel、Hierarchical scitype，格式相同（参见上文）

classmethod get_class_tag(tag_name, tag_value_default=None)