StatsForecastAutoTBATS

class StatsForecastAutoTBATS(seasonal_periods: int | list[int], use_boxcox: bool | None = None, use_trend: bool | None = None, use_damped_trend: bool | None = None, use_arma_errors: bool =True, bc_lower_bound: float =0.0, bc_upper_bound: float =1.0)

StatsForecast TBATS 模型。

直接接口到 `statsforecast.models.AutoTBATS`，来自 Nixtla 的 `statsforecast` [1]。

自动从参数 `use_boxcox`、`use_trend`、`use_damped_trend` 和 `use_arma_errors` 的所有可行组合中选择最佳 TBATS 模型。选择使用 AIC 进行。

`use_arma_errors` 的默认值为 `True`，因为它允许评估带有和不带有 ARMA 误差的模型。

参数:

**seasonal_periods**int 或 int 列表。

每单位时间内的观测数量。例如：24 小时数据。

**use_boxcox**布尔值 (默认=None)

是否使用 Box-Cox 变换。默认情况下两者都尝试。

**use_trend**布尔值 (默认=None)

是否使用趋势分量。默认情况下两者都尝试。

**use_damped_trend**布尔值 (默认=None)

是否抑制趋势分量。默认情况下两者都尝试。

**use_arma_errors**布尔值 (默认=True)

是否使用 ARMA 误差。默认值为 True，这将评估两种模型。

**bc_lower_bound**浮点数 (默认=0.0)

Box-Cox 变换的下限。

**bc_upper_bound**浮点数 (默认=1.0)

Box-Cox 变换的上限。

属性:

截止点

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` 方法。

另请参阅

BATS

TBATS

参考

[1]

https://nixtlaverse.nixtla.cn/statsforecast/src/core/models.html#autotbats

方法

check_is_fitted([method_name])	检查估算器是否已拟合。
克隆()	获取具有相同超参数和配置的对象克隆。
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，带有来自父类的标签级别继承。
get_class_tags()	从类中获取类标签，带有来自父类的标签级别继承。
get_config()	获取自身的配置标志。
get_fitted_params([deep])	获取已拟合参数。
get_param_defaults()	获取对象的默认参数。
get_param_names([sort])	获取对象的参数名称。
get_params([deep])	获取此对象的参数值字典。
get_tag(tag_name[, tag_value_default, ...])	从实例中获取标签值，带有标签级别继承和覆盖。
get_tags()	从实例中获取标签，带有标签级别继承和覆盖。
get_test_params([parameter_set])	返回估算器的测试参数设置。
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。
重置()	将对象重置到干净的初始化后状态。
save([path, serialization_format])	将序列化的自身保存到字节类对象或 (.zip) 文件。
score(y[, X, fh])	使用 MAPE（非对称）根据真实值对预测进行评分。
set_config(**config_dict)	将配置标志设置为给定值。
set_params(**params)	设置此对象的参数。
set_random_state([random_state, deep, ...])	为自身设置 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')

返回估算器的测试参数设置。

参数:

**parameter_set**str，默认=”default”

要返回的测试参数集的名称，用于测试。如果某个值没有定义特殊参数，将返回 `"default"` 集。当前预测器没有保留值。

返回:

**params**dict 或 dict 列表，默认 = {}

用于创建类测试实例的参数。每个 dict 都是构建一个“有趣的”测试实例的参数，即 `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)

检查估算器是否已拟合。

检查 `_is_fitted` 属性是否存在且为 `True`。对象的 `fit` 方法调用中应将 `is_fitted` 属性设置为 `True`。

如果不是，则引发 `NotFittedError` 异常。

参数:

**method_name**str，可选

调用此方法的函数的名称。如果提供，错误消息将包含此信息。

引发:

未拟合错误

如果估算器尚未拟合。

clone()

获取具有相同超参数和配置的对象克隆。

克隆是一个不同的对象，没有共享引用，处于初始化后状态。此函数等效于返回 `self` 的 `sklearn.clone`。

等效于构建 `type(self)` 的新实例，使用 `self` 的参数，即 `type(self)(**self.get_params(deep=False))`。

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

其值也等效于调用 `self.reset`，区别在于 `clone` 返回一个新对象，而不是像 `reset` 那样改变 `self`。

引发:

如果由于错误的 `__init__` 导致克隆不符合要求，则会引发 RuntimeError。

clone_tags(estimator, tag_names=None)

从另一个对象克隆标签作为动态覆盖。

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

标签是特定于实例 `self` 的键值对，它们是静态标志，在对象构建后不会改变。

`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，即在构建期间或通过 `__init__` 直接构建之后。

动态标签被设置为 `estimator` 中标签的值，其名称在 `tag_names` 中指定。

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

当前的标签值可以通过 `get_tags` 或 `get_tag` 进行检查。

参数:

**estimator**:class:BaseObject 或派生类的实例

**tag_names**str 或 str 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。

返回:

自身

对 `self` 的引用。

classmethod create_test_instance(parameter_set='default')

使用第一个测试参数集构建类的实例。

参数:

**parameter_set**str，默认=”default”

要返回的测试参数集的名称，用于测试。如果某个值没有定义特殊参数，将返回 `“default”` 集。

返回:

**instance**具有默认参数的类实例

classmethod create_test_instances_and_names(parameter_set='default')

创建所有测试实例的列表及其名称列表。

参数:

**parameter_set**str，默认=”default”

要返回的测试参数集的名称，用于测试。如果某个值没有定义特殊参数，将返回 `“default”` 集。

返回:

**objs**cls 实例列表

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

**names**str 列表，与 objs 长度相同

第 i 个元素是测试中 objs 的第 i 个实例的名称。命名约定为 `{cls.__name__}-{i}`（如果实例多于一个），否则为 `{cls.__name__}`

property cutoff

截止点 = 预测器的“当前时间”状态。

返回:

**cutoff**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

property fh

传递的预测范围。

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

将预测器拟合到训练数据。

状态改变

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，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。

• 如果传递了 `fh`，则将 `fh` 存储到 `self.fh`。

参数:

**y**采用 `sktime` 兼容数据容器格式的时间序列。

用于拟合预测器的时间序列。

`sktime` 中的个体数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象的 scitype。

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

• `Panel` scitype = 时间序列集合，全局/面板预测。带有 2 级行 `MultiIndex` `(实例, 时间)` 的 `pd.DataFrame`，`3D np.ndarray` `(实例, 变量, 时间)`，`Series` 类型的 `pd.DataFrame` 列表

• `Hierarchical` scitype = 分层集合，用于分层预测。带有 3 级或更多级行 `MultiIndex` `(层级_1, ..., 层级_n, 时间)` 的 `pd.DataFrame`

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

**fh**int, list, 可强制转换为 pd.Index，或 `ForecastingHorizon`，默认=None

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

**X**采用 `sktime` 兼容格式的时间序列，可选 (默认=None)。

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

返回:

**self**对自身的引用。

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

拟合并预测未来范围的时间序列。

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。

状态改变

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，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。

• 将 `fh` 存储到 `self.fh`。

参数:

**y**sktime 兼容数据容器格式的时间序列

用于拟合预测器的时间序列。

`sktime` 中的个体数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象的 scitype。

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

• `Panel` scitype = 时间序列集合，全局/面板预测。带有 2 级行 `MultiIndex` `(实例, 时间)` 的 `pd.DataFrame`，`3D np.ndarray` `(实例, 变量, 时间)`，`Series` 类型的 `pd.DataFrame` 列表

• `Hierarchical` scitype = 分层集合，用于分层预测。带有 3 级或更多级行 `MultiIndex` `(层级_1, ..., 层级_n, 时间)` 的 `pd.DataFrame`

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

**fh**int, list, 可强制转换为 pd.Index，或 `ForecastingHorizon` (非可选)

预测范围，编码要预测的时间戳。

如果 fh 不是 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 类型是 pd.Index，则通过 ForecastingHorizon(fh, is_relative=False) 将其强制转换。

**X**采用 `sktime` 兼容格式的时间序列，可选 (默认=None)。

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

**X_pred**sktime 兼容格式的时间序列，可选 (默认=None)

预测中使用的外生时间序列。如果传递，将在 predict 中使用，而不是 X。应与 `fit` 中的 `y` 具有相同的 scitype（`Series`、`Panel` 或 `Hierarchical`）。如果 `self.get_tag("X-y-must-have-same-index")`，则 `X.index` 必须包含 `fh` 索引引用。

返回:

**y_pred**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` 具有相同的类型：`Series`、`Panel`、`Hierarchical` scitype，相同格式（见上文）

classmethod get_class_tag(tag_name, tag_value_default=None)

从类中获取类标签值，带有来自父类的标签级别继承。

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

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

它从对象中返回名称为 `tag_name` 的标签值，考虑了标签覆盖，优先级从高到低如下：

1. 在类的 `_tags` 属性中设置的标签。

2. 在父类的 `_tags` 属性中设置的标签，

按继承顺序排列。

不考虑在实例上通过 `set_tags` 或 `clone_tags` 设置的动态标签覆盖。

要检索带有潜在实例覆盖的标签值，请改用 `get_tag` 方法。

参数:

**tag_name**str

标签值的名称。

**tag_value_default**任意类型

如果未找到标签，则为默认/备用值。

返回:

tag_value

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

classmethod get_class_tags()

从类中获取类标签，带有来自父类的标签级别继承。

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

标签是特定于实例 `self` 的键值对，它们是静态标志，在对象构建后不会改变。

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

它返回一个字典，其键是类或其任何父类中设置的 `_tags` 属性的任何键。

值是相应的标签值，覆盖顺序优先级从高到低如下：

1. 在类的 `_tags` 属性中设置的标签。

2. 在父类的 `_tags` 属性中设置的标签，

按继承顺序排列。

实例可以根据超参数覆盖这些标签。

要检索带有潜在实例覆盖的标签，请改用 `get_tags` 方法。

不考虑在实例上通过 `set_tags` 或 `clone_tags` 设置的动态标签覆盖。

对于包含来自动态标签的覆盖，请使用 `get_tags`。

collected_tagsdict

标签名称: 标签值 对的字典。通过嵌套继承从 `_tags` 类属性中收集。不会被 `set_tags` 或 `clone_tags` 设置的动态标签覆盖。

get_config()

获取自身的配置标志。

配置是 `self` 的键值对，通常用作控制行为的临时标志。

`get_config` 返回动态配置，它们会覆盖默认配置。

默认配置设置在类或其父类的类属性 `_config` 中，并被通过 `set_config` 设置的动态配置覆盖。

配置在 `clone` 或 `reset` 调用中保留。

返回:

**config_dict**dict

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

get_fitted_params(deep=True)

获取已拟合参数。

所需状态

要求状态为“已拟合”。

参数:

**deep**布尔值，默认=True

是否返回组件的已拟合参数。

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

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

返回:

**fitted_params**键为 str 的 dict

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` 获取的一样，值是此对象该键的已拟合参数值

• 如果 `deep=True`，还包含组件参数的键/值对，组件参数的索引格式为 `[组件名称]__[参数名称]`，`组件名称` 的所有参数都以 `参数名称` 及其值的形式出现

• 如果 `deep=True`，还包含任意级别的组件递归，例如 `[组件名称]__[组件组件名称]__[参数名称]` 等

classmethod get_param_defaults()

获取对象的默认参数。

返回:

default_dict: dict[str, Any]

键是 `cls` 中所有在 `__init__` 中定义了默认值的参数。值是默认值，如 `__init__` 中定义的。

classmethod get_param_names(sort=True)

获取对象的参数名称。

参数:

**sort**布尔值，默认=True

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

返回:

param_names: list[str]

`cls` 的参数名称列表。如果 `sort=False`，则按它们在类 `__init__` 中出现的相同顺序排列。如果 `sort=True`，则按字母顺序排列。

get_params(deep=True)

获取此对象的参数值字典。

参数:

**deep**布尔值，默认=True

是否返回组件的参数。

• 如果为 `True`，将返回此对象的参数名称 : 值字典，包括组件（= `BaseObject` 值参数）的参数。

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

返回:

**params**键为 str 的 dict

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` 获取的一样，值是此对象该键的参数值，值始终与构造时传递的值相同

• 如果 `deep=True`，还包含组件参数的键/值对，组件参数的索引格式为 `[组件名称]__[参数名称]`，`组件名称` 的所有参数都以 `参数名称` 及其值的形式出现

• 如果 `deep=True`，还包含任意级别的组件递归，例如 `[组件名称]__[组件组件名称]__[参数名称]` 等

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

从实例中获取标签值，带有标签级别继承和覆盖。

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

标签是特定于实例 `self` 的键值对，它们是静态标志，在对象构建后不会改变。

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

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

在实例构建时设置。

2. 在类的 `_tags` 属性中设置的标签。

3. 在父类的 `_tags` 属性中设置的标签，

按继承顺序排列。

参数:

**tag_name**str

要检索的标签名称

**tag_value_default**任意类型，可选；默认=None

如果未找到标签，则为默认/备用值

**raise_error**布尔值

未找到标签时是否引发 `ValueError` 异常

返回:

**tag_value**任意类型

`self` 中 `tag_name` 标签的值。如果未找到，并且 `raise_error` 为 True，则引发异常，否则返回 `tag_value_default`。

引发:

ValueError，如果 `raise_error` 为 `True`。

如果 `tag_name` 不在 `self.get_tags().keys()` 中，则引发 `ValueError` 异常。

get_tags()

从实例中获取标签，带有标签级别继承和覆盖。

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

标签是特定于实例 `self` 的键值对，它们是静态标志，在对象构建后不会改变。

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

值是相应的标签值，覆盖顺序优先级从高到低如下：

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

在实例构建时设置。

2. 在类的 `_tags` 属性中设置的标签。

3. 在父类的 `_tags` 属性中设置的标签，

按继承顺序排列。

返回:

collected_tagsdict

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

is_composite()

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

对象是否具有任何参数，其值是 BaseObject 的后代实例。

property is_fitted

是否已调用 `fit` 方法。

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。

返回:

bool

估计器是否已 fit。

classmethod load_from_path(serial)

从文件位置加载对象。

参数:

serialZipFile(path).open(“object) 的结果

返回:

反序列化后的 self，其输出位于 path，即 cls.save(path) 的输出。

classmethod load_from_serial(serial)

从序列化内存容器加载对象。

参数:

serialcls.save(None) 输出的第 1 个元素

返回:

反序列化后的 self，其输出为 serial，即 cls.save(None) 的输出。

predict(fh=None, X=None)

预测未来范围的时间序列。

所需状态

要求状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问

• 以“_”结尾的已拟合模型属性。

• self.cutoff, self.is_fitted

写入自身

如果传入了 fh 且之前未传入，则将 fh 存储到 self.fh。

参数:

**fh**int, list, 可强制转换为 pd.Index，或 `ForecastingHorizon`，默认=None

编码要预测时间戳的预测范围。如果在 fit 中已传入，则不应再次传入。如果在 fit 中未传入，则必须传入，非可选

如果 fh 不是 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 类型是 pd.Index，则通过 ForecastingHorizon(fh, is_relative=False) 将其强制转换。

X`sktime` 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 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。

返回:

**y_pred**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` 具有相同的类型：`Series`、`Panel`、`Hierarchical` scitype，相同格式（见上文）

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。

所需状态

要求状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问

• 以“_”结尾的已拟合模型属性。

• self.cutoff, self.is_fitted

写入自身

如果传入了 fh 且之前未传入，则将 fh 存储到 self.fh。

参数:

**fh**int, list, 可强制转换为 pd.Index，或 `ForecastingHorizon`，默认=None

编码要预测时间戳的预测范围。如果在 fit 中已传入，则不应再次传入。如果在 fit 中未传入，则必须传入，非可选

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

• 如果 fh 是 int 或 int 数组类型，则被解释为相对预测期，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。

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

X`sktime` 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 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。

coverage浮点数或浮点数的唯一值列表，可选（默认为 0.90）

预测区间(s) 的名义覆盖率。

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 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，附加的（上层）级别等于实例级别，

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

条目是区间下限/上限的预测值，

对于列索引中的变量，在第二列索引中的名义覆盖率处，取决于第三列索引是 lower/upper，对应于行索引。区间上限/下限预测值等同于在 alpha = 0.5 - c/2, 0.5 + c/2 (c 在 coverage 中) 处的分位数预测值。

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

计算/返回完全概率预测。

注意

• 当前仅针对 Series (非面板、非分层) y 实现。

• 返回的分布对象需要安装 skpro。

所需状态

要求状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问

• 以“_”结尾的已拟合模型属性。

• self.cutoff, self.is_fitted

写入自身

如果传入了 fh 且之前未传入，则将 fh 存储到 self.fh。

参数:

**fh**int, list, 可强制转换为 pd.Index，或 `ForecastingHorizon`，默认=None

编码要预测时间戳的预测范围。如果在 fit 中已传入，则不应再次传入。如果在 fit 中未传入，则必须传入，非可选

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

• 如果 fh 是 int 或 int 数组类型，则被解释为相对预测期，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。

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

X`sktime` 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 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。

marginalbool 类型，可选（默认为 True）

返回的分布是否是按时间索引的边际分布

返回:

pred_distskpro BaseDistribution

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

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，则将计算多个分位数。

所需状态

要求状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问

• 以“_”结尾的已拟合模型属性。

• self.cutoff, self.is_fitted

写入自身

如果传入了 fh 且之前未传入，则将 fh 存储到 self.fh。

参数:

**fh**int, list, 可强制转换为 pd.Index，或 `ForecastingHorizon`，默认=None

编码要预测时间戳的预测范围。如果在 fit 中已传入，则不应再次传入。如果在 fit 中未传入，则必须传入，非可选

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

• 如果 fh 是 int 或 int 数组类型，则被解释为相对预测期，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。

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

X`sktime` 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 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。

alpha浮点数或浮点数的唯一值列表，可选（默认为 [0.05, 0.95]）

计算分位数预测值的概率或概率列表。

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，附加的（上层）级别等于实例级别，

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

条目是分位数预测值，对于列索引中的变量，

在第二列索引中的分位数概率处，对应于行索引。

predict_residuals(y=None, X=None)

返回时间序列预测的残差。

残差将在 y.index 处的预测值计算。

如果在 fit 中必须传入 fh，则必须与 y.index 一致。如果 y 是一个 np.ndarray，并且在 fit 中没有传入 fh，则残差将在 fh 为 range(len(y.shape[0])) 时计算。

所需状态

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。

在 self 中访问

以“_”结尾的已拟合模型属性。self.cutoff, self._is_fitted

写入自身

无。

参数:

**y**sktime 兼容数据容器格式的时间序列

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

如果为 None，则使用目前为止看到的 y (self._y)，特别是

• 如果之前只调用了一次 fit，则产生样本内残差

• 如果 fit 需要 fh，则必须指向 fit 中 y 的索引

Xsktime 兼容格式的时间序列，可选（默认为 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 scitype（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须同时包含 fh 索引引用和 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，与 ``fh 具有相同的索引。y_res 与最近传入的 y 具有相同类型：Series、Panel、Hierarchical scitype，格式相同（见上文）。

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

计算/返回方差预测。

所需状态

要求状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问

• 以“_”结尾的已拟合模型属性。

• self.cutoff, self.is_fitted

写入自身

如果传入了 fh 且之前未传入，则将 fh 存储到 self.fh。

参数:

**fh**int, list, 可强制转换为 pd.Index，或 `ForecastingHorizon`，默认=None

编码要预测时间戳的预测范围。如果在 fit 中已传入，则不应再次传入。如果在 fit 中未传入，则必须传入，非可选

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

• 如果 fh 是 int 或 int 数组类型，则被解释为相对预测期，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。

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

X`sktime` 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 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。

covbool 类型，可选（默认为 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

列名与在 fit/update 中传入的 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，附加的级别等于实例级别，

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

条目是方差预测值，对于列索引中的变量。给定变量和 fh 索引的方差预测值是一个预测的

在给定观测数据的情况下，该变量和索引的方差。

如果 cov=True

列索引是多级索引：第一级是变量名（同上）

第二级是 fh。

行索引是 fh，附加的级别等于实例级别，

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

条目是（协）方差预测值，对于列索引中的变量，以及

行和列中时间索引之间的协方差。

注意：不同变量之间没有返回协方差预测值。

reset()

将对象重置到干净的初始化后状态。

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

调用 reset 会删除任何对象属性，除了

• 超参数 = 写入 self 的 __init__ 参数，例如 self.paramname，其中 paramname 是 __init__ 的一个参数。

• 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，配置会保持不变。也就是说，reset 前后 get_config 的结果是相同的。

类方法、对象方法和类属性也不受影响。

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

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

返回:

自身

类实例重置到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')

将序列化的自身保存到字节类对象或 (.zip) 文件。

行为：如果 path 是 None，返回一个内存中的序列化 self；如果 path 是文件位置，则将 self 存储在该位置为 zip 文件。

保存的文件是 zip 文件，内容如下： _metadata - 包含 self 的类，即 type(self) _obj - 序列化后的 self。此类使用默认的序列化方式 (pickle)。

参数:

pathNone 或文件位置（str 或 Path）

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

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

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

存储在 /home/stored/ 中。

serialization_format: str, 默认为 “pickle”

用于序列化的模块。可用选项是“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 是 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)

使用 MAPE（非对称）根据真实值对预测进行评分。

参数:

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

要评分的时间序列

**fh**int, list, 可强制转换为 pd.Index，或 `ForecastingHorizon`，默认=None

预测范围，编码要预测的时间戳。

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

用于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

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

另请参阅

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:

**config_dict**dict

配置名称 : 配置值对的字典。有效的配置项、值及其含义如下所示

displaystr 类型，“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 类型，默认为 True

打印 self 时是仅列出与默认值不同的 self 参数 (True)，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 类型，“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” = 将不引发来自 sktime 的警告

backend:parallelstr 类型，可选，默认为“None”

广播/向量化时用于并行处理的后端，可选值之一

• “None”：顺序执行循环，简单的列表推导式

• “loky”、“multiprocessing”和“threading”：使用 joblib.Parallel

• “joblib”：自定义和第三方 joblib 后端，例如 spark

• “dask”：使用 dask，需要在环境中安装 dask 包

• “ray”：使用 ray，需要在环境中安装 ray 包

backend:parallel:paramsdict 类型，可选，默认为 {} (不传递参数)

作为配置传递给并行处理后端的附加参数。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。这里可以传递 joblib.Parallel 的任何有效键，例如 n_jobs，但 backend 除外，它直接由 backend 控制。如果未传递 n_jobs，它将默认为 -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。这里可以传递 joblib.Parallel 的任何有效键，例如 n_jobs。backend 在这种情况下必须作为 backend_params 的键传递。如果未传递 n_jobs，它将默认为 -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 类型，默认为 True；False 阻止 ray

    在并行处理后关闭。

  • “logger_name”：str 类型，默认为“ray”；要使用的日志记录器的名称。

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

remember_databool 类型，默认为 True

self._X 和 self._y 是否在 fit 中存储并在 update 中更新。如果为 True，则 self._X 和 self._y 被存储和更新。如果为 False，则 self._X 和 self._y 不被存储和更新。这在使用 save 时会减小序列化大小，但 update 将默认为“不执行任何操作”，而不是“重新拟合所有已见数据”。

返回:

self对 self 的引用。

注意事项

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

set_params(**params)

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>。如果引用明确，也可以使用不带 <component>__ 的字符串 <parameter>，例如，没有两个组件参数具有相同的名称 <parameter>。

参数:

**paramsdict

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

返回:

self对 self 的引用（设置参数后）

set_random_state(random_state=None, deep=True, self_policy='copy')

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 将它们设置为从 random_state 派生的整数。这些整数通过 sample_dependent_seed 从链式哈希中采样，并保证种子随机生成器的伪随机独立性。

根据 self_policy 应用于 self 中的 random_state 参数，当且仅当 deep=True 时应用于其余组件对象。

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 类型，RandomState 实例或 None，默认为 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现的输出。

**deep**布尔值，默认=True

是否在 skbase 对象值的参数中设置随机状态，即组件估计器。

• 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 类型，可选值之一 {“copy”, “keep”, “new”}，默认为“copy”

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

• “keep”：self.random_state 保持原样

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

派生自输入的 random_state，通常与之不同

返回:

self对 self 的引用

set_tags(**tag_dict)

将实例级别标签覆盖设置为给定值。

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

标签是特定于实例 self 的键值对，它们是对象构造后不会更改的静态标志。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__ 方法中调用，在构造期间，或在通过 __init__ 构造后立即调用。

当前的标签值可以通过 `get_tags` 或 `get_tag` 进行检查。

参数:

**tag_dictdict

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)

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 update 方法，默认的备用方案如下

• update_params=True：拟合目前为止所有观测到的数据

• update_params=False：仅更新截止点并记住数据

所需状态

要求状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问

• 以“_”结尾的已拟合模型属性。

• self.cutoff, self.is_fitted

写入自身

• 将 self.cutoff 更新为在 y 中看到的最新索引。

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

参数:

**y**采用 `sktime` 兼容数据容器格式的时间序列。

用于更新预测器的时间序列。

`sktime` 中的个体数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象的 scitype。

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

• `Panel` scitype = 时间序列集合，全局/面板预测。带有 2 级行 `MultiIndex` `(实例, 时间)` 的 `pd.DataFrame`，`3D np.ndarray` `(实例, 变量, 时间)`，`Series` 类型的 `pd.DataFrame` 列表

• `Hierarchical` scitype = 分层集合，用于分层预测。带有 3 级或更多级行 `MultiIndex` `(层级_1, ..., 层级_n, 时间)` 的 `pd.DataFrame`

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

**X**采用 `sktime` 兼容格式的时间序列，可选 (默认=None)。

用于更新模型拟合的外生时间序列。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。

update_paramsbool 类型，可选（默认为 True）

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

返回:

self对 self 的引用

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

在测试集上迭代进行预测并更新模型。

执行多次 update / predict 链式操作的快捷方式，数据回放基于时间序列分割器 cv。

与以下操作相同（如果只有 y、cv 为非默认值）

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

2. 记住 self.predict()（稍后在单个批次中返回）

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

4. 记住 self.predict()（稍后在单个批次中返回）

5. 等等

6. 返回所有记住的预测值

如果没有实现估计器特定的 update 方法，默认的备用方案如下

• update_params=True：拟合目前为止所有观测到的数据

• update_params=False：仅更新截止点并记住数据

所需状态

要求状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问

• 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 更新为在 y 中看到的最新索引。

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

如果 reset_forecaster=True，则不更新状态。

参数:

**y**采用 `sktime` 兼容数据容器格式的时间序列。

用于更新预测器的时间序列。

`sktime` 中的个体数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象的 scitype。

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

• `Panel` scitype = 时间序列集合，全局/面板预测。带有 2 级行 `MultiIndex` `(实例, 时间)` 的 `pd.DataFrame`，`3D np.ndarray` `(实例, 变量, 时间)`，`Series` 类型的 `pd.DataFrame` 列表

• `Hierarchical` scitype = 分层集合，用于分层预测。带有 3 级或更多级行 `MultiIndex` `(层级_1, ..., 层级_n, 时间)` 的 `pd.DataFrame`

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

cv继承自 BaseSplitter 的时间序列交叉验证生成器，可选

例如，SlidingWindowSplitter 或 ExpandingWindowSplitter；默认为 initial_window=1 的 ExpandingWindowSplitter，并且默认情况下，y/X 中的单个数据点会逐个添加和预测，initial_window = 1，step_length = 1 和 fh = 1

Xsktime 兼容格式的时间序列，可选（默认为 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 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。

update_paramsbool 类型，可选（默认为 True）

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

reset_forecasterbool 类型，可选（默认为 True）

• 如果为 True，将不改变预测器的状态，即 update/predict 序列使用副本运行，self 的截止点、模型参数、数据内存不变

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

返回:

y_pred汇总来自多个分割批次的点预测的对象

格式取决于预测整体的（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，输出中抑制截止点，与最近传入的 y 具有相同类型：Series, Panel, Hierarchical scitype，格式相同（见上文）。

• 如果绝对预测期点的集合不唯一：类型是一个 pandas DataFrame，行索引和列索引都是时间戳，行索引对应于预测所依据的截止点，列索引对应于预测的绝对预测期，条目是从行索引预测的列索引的点预测值，如果在该（截止点，预测期）对处没有预测，则条目为 nan。

update_predict_single(y=None, fh=None, X=None, update_params=True)

使用新数据更新模型并进行预测。

此方法对于一步完成更新和预测非常有用。

如果没有实现估计器特定的 update 方法，默认的备用方案是先 update，然后 predict。

所需状态

要求状态为“已拟合”。

在 self 中访问

以“_”结尾的已拟合模型属性。指向已见数据的指针，self._y 和 self.X self.cutoff, self._is_fitted 如果 update_params=True，则是以“_”结尾的模型属性。

写入自身

通过追加行，用 y 和 X 更新 self._y 和 self._X。将 self.cutoff 和 self._cutoff 更新为在 y 中看到的最后一个索引。如果 update_params=True，

更新以“_”结尾的已拟合模型属性。

参数:

**y**采用 `sktime` 兼容数据容器格式的时间序列。

用于更新预测器的时间序列。

`sktime` 中的个体数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象的 scitype。

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

• `Panel` scitype = 时间序列集合，全局/面板预测。带有 2 级行 `MultiIndex` `(实例, 时间)` 的 `pd.DataFrame`，`3D np.ndarray` `(实例, 变量, 时间)`，`Series` 类型的 `pd.DataFrame` 列表

• `Hierarchical` scitype = 分层集合，用于分层预测。带有 3 级或更多级行 `MultiIndex` `(层级_1, ..., 层级_n, 时间)` 的 `pd.DataFrame`

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

**fh**int, list, 可强制转换为 pd.Index，或 `ForecastingHorizon`，默认=None

编码要预测时间戳的预测范围。如果在 fit 中已传入，则不应再次传入。如果在 fit 中未传入，则必须传入，非可选

Xsktime 兼容格式的时间序列，可选（默认为 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 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。

update_paramsbool 类型，可选（默认为 True）

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

返回:

**y_pred**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` 具有相同的类型：`Series`、`Panel`、`Hierarchical` scitype，相同格式（见上文）