TBATS#

class TBATS(use_box_cox=None, box_cox_bounds=(0, 1), use_trend=None, use_damped_trend=None, sp=None, use_arma_errors=True, show_warnings=True, n_jobs=None, multiprocessing_start_method='spawn', context=None)[source]#

用于具有多重季节性时间序列的 TBATS 预测器。

封装了 [1] 中对 [2] 提出的方法的实现。参见 [3] 查看 [1] 创建者撰写的博客文章，其中简要解释了 TBATS 模型。参见 [4] 查看关于多重季节性的讨论以及 TBATS 与其他一些方法的比较讨论。

TBATS 是以下各项的首字母缩写：

三角季节性
Box-Cox 变换
ARMA 误差
趋势
季节性分量

TBATS 设计用于预测具有多重季节性周期的时间序列。例如，日数据可能具有每周模式和年度模式。或者小时数据可以有三个季节性周期：每日模式、每周模式和年度模式。

在 TBATS 中，对原始时间序列应用 Box-Cox 变换，然后将其建模为指数平滑趋势、季节性分量和 ARMA 分量的线性组合。季节性分量通过傅里叶级数使用三角函数建模。TBATS 使用 AIC 进行一些超参数调优（例如，保留哪些分量，丢弃哪些分量）。

参数:

use_box_cox: bool 或 None, 可选 (默认=None)

是否应对原始序列应用 Box-Cox 变换。当 None 时，将考虑两种情况，并根据 AIC 选择更好的模型。

box_cox_bounds: tuple, 形状=(2,), 可选 (默认=(0, 1))

最小和最大 Box-Cox 参数值。

use_trend: bool 或 None, 可选 (默认=None)

指示是否包含趋势。当 None 时，将考虑两种情况，并根据 AIC 选择更好的模型。

use_damped_trend: bool 或 None, 可选 (默认=None)

指示是否在趋势中包含阻尼参数。仅在使用了趋势时适用。当 None 时，将考虑两种情况，并根据 AIC 选择更好的模型。

sp: Iterable 或类似 array 的浮点数, 可选 (默认=None)

“季节性周期”的缩写。每个周期的长度（每个周期的观测数量）。此处接受 int 和 float 值。当 None 或空数组时，将拟合非季节性模型。

use_arma_errors: bool, 可选 (默认=True)

当为 True 时，BATS 将尝试通过使用 ARMA 建模残差来改进模型。将通过 AIC 选择最佳模型。如果为 False，将不考虑 ARMA 残差建模。

show_warnings: bool, 可选 (默认=True)

是否应显示警告。另请参见包含所有模型相关警告的 Model.warnings 变量。

n_jobs: int, 可选 (默认=None)

拟合 BATS 模型时并行运行的作业数量。未提供时，BATS 将尝试利用所有可用的 CPU 核心。

multiprocessing_start_method: str, 可选 (默认=’spawn’)

线程应如何启动。另请参见

https://docs.pythonlang.cn/3/library/multiprocessing.html#contexts-and-start-methods

context: abstract.ContextInterface, 可选 (默认=None)

仅适用于高级用户。提供此参数以覆盖默认行为

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。

另请参见

BATS
StatsForecastAutoTBATS

参考文献

[1] (1,2)

intive-DataScience/tbats

[2]

De Livera, A.M., Hyndman, R.J., & Snyder, R. D. (2011), Forecasting time series with complex seasonal patterns using exponential smoothing, Journal of the American Statistical Association, 106(496), 1513-1527. DOI: https://doi.org/10.1198/jasa.2011.tm09771

[3]

Skorupa. Multiple Seasonalities using TBATS in Python.

https://medium.com/intive-developers/forecasting-time-series-with-multiple-seasonalities-using-tbats-in-python-398a00ac0e8a

[4]

R.J. Hyndman, G. Athanasopoulos. Forecasting: Principles and Practice. https://otexts.com/fpp2/complexseasonality.html

示例

>>> from sktime.datasets import load_airline
>>> from sktime.forecasting.tbats import TBATS
>>> y = load_airline()
>>> forecaster = TBATS(  
...     use_box_cox=False,
...     use_trend=False,
...     use_damped_trend=False,
...     sp=12,
...     use_arma_errors=False,
...     n_jobs=1)
>>> forecaster.fit(y)  
TBATS(...)
>>> y_pred = forecaster.predict(fh=[1,2,3])  

方法

`check_is_fitted`([method_name])	检查估计器是否已拟合。
`clone`()	获取与原始对象具有相同超参数和配置的克隆对象。
`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，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。
`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，并包含标签级别继承和覆盖。
`get_tags`()	从实例中获取标签，并包含标签级别继承和覆盖。
`get_test_params`([parameter_set])	返回估计器的测试参数设置。
`is_composite`()	检查对象是否由其他 BaseObjects 组成。
`load_from_path`(serial)	从文件位置加载对象。
`load_from_serial`(serial)	从序列化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似对象或 (.zip) 文件。
`score`(y[, X, fh])	使用 MAPE（非对称）对预测结果与真实值进行评分。
`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 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，以及可选地更新拟合参数。
`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])	使用新数据更新模型并进行预测。

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

返回估计器的测试参数设置。

参数:

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

Returns:

paramsdict or list of dict

check_is_fitted(method_name=None)[source]#

检查估计器是否已拟合。

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

如果不是，则引发 NotFittedError。

参数:

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

Raises:

NotFittedError: 如果估计器尚未拟合。

clone()[source]#

获取与原始对象具有相同超参数和配置的克隆对象。

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

等同于构造一个新的 type(self) 实例，具有 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。

Raises:

如果克隆不符合规范（由于 __init__ 存在错误），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，它们是对象构造后不会更改的静态标志。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

clone_tags 方法应仅在对象的 __init__ 方法中（在构造期间），或在通过 __init__ 构造后直接调用。

动态标签设置为 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 self。

当前标签值可通过 get_tags 或 get_tag 进行检查。

参数:

estimator:class:BaseObject 或派生类的实例
tag_namesstr 或 str 列表, default = None: 要克隆的标签名称。默认值 (None) 克隆 estimator 中的所有标签。

Returns:

self: 对 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。如果某个值没有定义特殊参数，将返回 “default” 集。

Returns:

instance带默认参数的类实例

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

创建所有测试实例及其名称列表。

参数:

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

Returns:

objscls 实例列表: 第 i 个实例是 cls(**cls.get_test_params()[i])
namesstr 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__}

property cutoff[source]#

截止点 = 预测器的“当前时间”状态。

Returns:

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

property fh[source]#: 传递的预测范围。

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

将预测器拟合到训练数据。

状态改变: 将状态更改为“已拟合”。

写入 self

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。

参数:

ysktime 兼容数据容器格式的时间序列。

用于拟合预测器的时间序列。

sktime 中的单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。pd.DataFrame 带有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，Series 类型 pd.DataFrame 的 list
Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 带有 3 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，请参阅 mtype 词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb

fhint、list、可强制转换为 pd.Index 或 ForecastingHorizon，default=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，不是可选的

Xsktime 兼容格式的时间序列，可选 (default=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")，则 X.index 必须包含 y.index。

Returns:

self对 self 的引用。

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

拟合并在未来范围内预测时间序列。

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: 将状态更改为“已拟合”。

写入 self

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。

将 fh 存储到 self.fh。

参数:

ysktime 兼容数据容器格式的时间序列

用于拟合预测器的时间序列。

sktime 中的单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。pd.DataFrame 带有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，Series 类型 pd.DataFrame 的 list
Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 带有 3 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，请参阅 mtype 词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb

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

编码要预测的时间戳的预测范围。

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。

Xsktime 兼容格式的时间序列，可选 (default=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")，则 X.index 必须包含 y.index。

X_predsktime 兼容格式的时间序列，可选 (default=None)

用于预测的外部时间序列。如果传递，将用于 predict 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。

Returns:

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

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

从类中获取类标签值，并继承父类的标签级别。

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。

get_class_tag 方法是一个类方法，它在考虑仅类级别标签值和覆盖的情况下检索标签的值。

它返回对象中名称为 tag_name 的标签的值，在考虑标签覆盖时，优先级按以下顺序递减

类属性 _tags 中设置的标签。
父类属性 _tags 中设置的标签，

按继承顺序。

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

要检索具有潜在实例覆盖的标签值，请改用 get_tag 方法。

参数:

tag_namestr: 标签值的名称。
tag_value_default任意类型: 未找到标签时的默认/备用值。

Returns:

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

classmethod get_class_tags()[source]#

从类中获取类标签，并继承父类的标签级别。

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，它们是对象构造后不会更改的静态标志。

get_class_tags 方法是一个类方法，它在考虑仅类级别标签值和覆盖的情况下检索标签的值。

它返回一个字典，其键是类或其任何父类中设置的任何 _tags 属性的键。

值是相应的标签值，覆盖优先级按以下顺序递减

类属性 _tags 中设置的标签。
父类属性 _tags 中设置的标签，

按继承顺序。

实例可以根据超参数覆盖这些标签。

要检索具有潜在实例覆盖的标签，请改用 get_tags 方法。

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

要包含动态标签的覆盖，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 类属性收集。不受通过 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()[source]#

获取自身的配置标志。

配置是 self 的键值对，通常用作控制行为的瞬时标志。

get_config 返回动态配置，它们覆盖默认配置。

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

配置在 clone 或 reset 调用中保留。

Returns:

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

get_fitted_params(deep=True)[source]#

获取已拟合参数。

状态要求: 要求状态为“已拟合”。

参数:

deepbool, default=True

是否返回组件的拟合参数。

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

Returns:

fitted_params键为 str 的 dict

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，通过 get_param_names 获取，值是此对象该键的拟合参数值
如果 deep=True，还包含组件参数的键/值对，组件参数的索引形式为 [componentname]__[paramname]，componentname 的所有参数以其值的 paramname 形式出现
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()[source]#

获取对象的参数默认值。

Returns:

default_dict: dict[str, Any]: 键是 cls 的所有在 __init__ 中定义了默认值的参数。值是默认值，与 __init__ 中定义的相同。

classmethod get_param_names(sort=True)[source]#

获取对象的参数名称。

参数:

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

Returns:

param_names: list[str]: cls 的参数名称列表。如果 sort=False，则与它们在类 __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]#

获取此对象的参数值字典。

参数:

deepbool, default=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 dict，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 dict，但不包括组件的参数。

Returns:

params键为 str 的 dict

参数字典，paramname : paramvalue 键值对包括

始终：此对象的所有参数，通过 get_param_names 获取，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，组件参数的索引形式为 [componentname]__[paramname]，componentname 的所有参数以其值的 paramname 形式出现
如果 deep=True，还包含任意级别的组件递归，例如 [componentname]__[componentcomponentname]__[paramname] 等

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

从实例中获取标签值，并包含标签级别继承和覆盖。

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，它们是对象构造后不会更改的静态标志。

get_tag 方法从实例中检索名称为 tag_name 的单个标签的值，在考虑标签覆盖时，优先级按以下顺序递减

通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构造时。

类属性 _tags 中设置的标签。
父类属性 _tags 中设置的标签，

按继承顺序。

参数:

tag_namestr: 要检索的标签名称
tag_value_default任意类型，可选；default=None: 未找到标签时的默认/备用值
raise_errorbool: 未找到标签时是否引发 ValueError

Returns:

tag_valueAny: self 中 tag_name 标签的值。如果未找到，则在 raise_error 为 True 时引发错误，否则返回 tag_value_default。

Raises:

ValueError，如果 raise_error 为 True。: 当 tag_name 不在 self.get_tags().keys() 中时，将引发 ValueError。

get_tags()[source]#

从实例中获取标签，并包含标签级别继承和覆盖。

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，它们是对象构造后不会更改的静态标志。

get_tags 方法返回一个标签字典，其键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。

值是相应的标签值，覆盖优先级按以下顺序递减

通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构造时。

类属性 _tags 中设置的标签。
父类属性 _tags 中设置的标签，

按继承顺序。

Returns:

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，然后是 _tags_dynamic 对象属性中的任何覆盖和新标签。

is_composite()[source]#

检查对象是否由其他 BaseObjects 组成。

复合对象是包含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。

Returns:

composite: bool: 对象是否包含任何值为 BaseObject 后代实例的参数。

property is_fitted[source]#

是否已调用 fit。

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。

Returns:

bool: 估计器是否已 fit。

classmethod load_from_path(serial)[source]#

从文件位置加载对象。

参数:

serialZipFile(path).open(“object) 的结果

Returns:

反序列化的 self，其输出位于 cls.save(path) 的 path 处

classmethod load_from_serial(serial)[source]#

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

Returns:

反序列化的 self，其输出为 cls.save(None) 的 serial

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

在未来范围内预测时间序列。

状态要求: 要求状态为“已拟合”，即 self.is_fitted=True。

访问 self 中的属性

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self: 如果传递了 fh 且之前未传递，则将其存储到 self.fh。

参数:

fhint、list、可强制转换为 pd.Index 或 ForecastingHorizon，default=None

编码要预测的时间戳的预测范围。如果已在 fit 中传递，则不应再传递。如果在 fit 中未传递，则必须传递，不是可选的。

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。

Xsktime 兼容格式的时间序列，可选 (default=None)

用于预测的外部时间序列。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")，则 X.index 必须包含 fh 索引引用。

Returns:

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

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

计算/返回预测区间预测。

如果 coverage 是可迭代的，将计算多个区间。

状态要求: 要求状态为“已拟合”，即 self.is_fitted=True。

访问 self 中的属性

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self: 如果传递了 fh 且之前未传递，则将其存储到 self.fh。

参数:

fhint、list、可强制转换为 pd.Index 或 ForecastingHorizon，default=None

编码要预测的时间戳的预测范围。如果已在 fit 中传递，则不应再传递。如果在 fit 中未传递，则必须传递，不是可选的。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则内部（通过 _check_fh）会强制转换为 ForecastingHorizon。

如果 fh 是 int 或类似 array 的 int，则将其解释为相对范围，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则将其解释为绝对范围，并强制转换为绝对 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选 (default=None)

用于预测的外部时间序列。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")，则 X.index 必须包含 fh 索引引用。

coveragefloat 或 float 的唯一值列表，可选 (default=0.90)

预测区间名义覆盖率

Returns:

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。: 与输入 coverage 中的顺序相同。

第三级是字符串“lower”或“upper”，表示下/上区间端点。

行索引是 fh，具有等于实例级别的附加（上层）级别，

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

条目是下/上区间端点的预测，

对于列索引中的变量，在第二列索引中的名义覆盖率下，根据第三列索引的 lower/upper，对于行索引。上/下区间端点预测等同于对于 coverage 中的 c，分位数 alpha = 0.5 - c/2, 0.5 + c/2 的分位数预测。

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

计算/返回完全概率预测。

注意

目前仅针对 Series（非面板，非分层）y 实现。
需要安装 skpro 以返回分布对象。

状态要求: 要求状态为“已拟合”，即 self.is_fitted=True。

访问 self 中的属性

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self: 如果传递了 fh 且之前未传递，则将其存储到 self.fh。

参数:

fhint、list、可强制转换为 pd.Index 或 ForecastingHorizon，default=None

编码要预测的时间戳的预测范围。如果已在 fit 中传递，则不应再传递。如果在 fit 中未传递，则必须传递，不是可选的。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则内部（通过 _check_fh）会强制转换为 ForecastingHorizon。

如果 fh 是 int 或类似 array 的 int，则将其解释为相对范围，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则将其解释为绝对范围，并强制转换为绝对 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选 (default=None)

用于预测的外部时间序列。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")，则 X.index 必须包含 fh 索引引用。

marginalbool, optional (default=True)

返回的分布是否按时间索引是边际的

Returns:

pred_distskpro BaseDistribution: 如果 marginal=True，则为预测分布，将是按时间点的边际分布，如果 marginal=False 且由方法实现，将是联合分布

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

计算/返回分位数预测。

如果 alpha 是可迭代的，将计算多个分位数。

状态要求: 要求状态为“已拟合”，即 self.is_fitted=True。

访问 self 中的属性

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self: 如果传递了 fh 且之前未传递，则将其存储到 self.fh。

参数:

fhint、list、可强制转换为 pd.Index 或 ForecastingHorizon，default=None

编码要预测的时间戳的预测范围。如果已在 fit 中传递，则不应再传递。如果在 fit 中未传递，则必须传递，不是可选的。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则内部（通过 _check_fh）会强制转换为 ForecastingHorizon。

如果 fh 是 int 或类似 array 的 int，则将其解释为相对范围，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则将其解释为绝对范围，并强制转换为绝对 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选 (default=None)

用于预测的外部时间序列。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")，则 X.index 必须包含 fh 索引引用。

alphafloat 或 float 的唯一值列表，可选 (default=[0.05, 0.95])

计算分位数预测的概率或列表。

Returns:

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，具有等于实例级别的附加（上层）级别，: 来自 fit 中看到的 y，如果 fit 中看到的 y 是 Panel 或 Hierarchical。
条目是分位数预测，对于列索引中的变量，: 在第二列索引中的分位数概率处，对于行索引。

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

返回时间序列预测的残差。

将计算 y.index 处预测值的残差。

如果 fit 中必须传递 fh，则必须与 y.index 一致。如果 y 是 np.ndarray，且 fit 中未传递 fh，则将使用范围为 len(y.shape[0]) 的 fh 计算残差。

状态要求: 要求状态为“已拟合”。如果已设置 fh，则必须与 y（pandas 或整数）的索引对应。
访问 self 中的属性: 以“_”结尾的拟合模型属性。self.cutoff, self._is_fitted
写入 self: 无。

参数:

ysktime 兼容数据容器格式的时间序列

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

如果为 None，则使用到目前为止看到的 y (self._y)，特别是

如果前面是单个 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 (default=None)

用于更新和预测的外部时间序列。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")，则 X.index 必须同时包含 fh 索引引用和 y.index。

Returns:

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 具有与最近传递的 y 相同的类型：Series、Panel、Hierarchical scitype，格式相同（见上文）

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

计算/返回方差预测。

状态要求: 要求状态为“已拟合”，即 self.is_fitted=True。

访问 self 中的属性

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self: 如果传递了 fh 且之前未传递，则将其存储到 self.fh。

参数:

fhint、list、可强制转换为 pd.Index 或 ForecastingHorizon，default=None

编码要预测的时间戳的预测范围。如果已在 fit 中传递，则不应再传递。如果在 fit 中未传递，则必须传递，不是可选的。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则内部（通过 _check_fh）会强制转换为 ForecastingHorizon。

如果 fh 是 int 或类似 array 的 int，则将其解释为相对范围，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则将其解释为绝对范围，并强制转换为绝对 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选 (default=None)

用于预测的外部时间序列。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")，则 X.index 必须包含 fh 索引引用。

covbool, optional (default=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。

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 的列名完全相同。: 对于无名格式，列索引将是 RangeIndex。
行索引是 fh，具有等于实例级别的附加级别，: 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，针对列索引中的变量。给定变量和 fh 索引的方差预测是预测的

给定观测数据，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（同上）: 第二级是 fh。
行索引是 fh，具有等于实例级别的附加级别，: 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，针对列索引中的变量，以及: 行索引和列索引中的时间索引之间的协方差。

注意：不同变量之间不返回协方差预测。

reset()[source]#

将对象重置到初始化后的干净状态。

结果是将 self 设置为其构造函数调用后直接处于的状态，具有相同的超参数。通过 set_config 设置的配置值也会保留。

reset 调用会删除任何对象属性，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（即字符串“__”）的对象属性。例如，名为“__myattr”的属性会被保留。
配置属性，配置保持不变。也就是说，reset 前后 get_config 的结果相等。

类方法和对象方法，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。

在调用 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。

Returns:

self: 类实例重置为干净的后初始化状态，但保留当前的超参数值。

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

将序列化的自身保存到字节类似对象或 (.zip) 文件。

行为：如果 path 为 None，则返回序列化的内存中 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；如果为文件位置，则将 self 保存到该文件位置。如果

path=”estimator”，则将在当前工作目录下创建 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, default = “pickle”

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

Returns:

如果 path 为 None - 序列化的内存中 self
如果 path 是文件位置 - ZipFile 引用文件

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

使用 MAPE（非对称）对预测结果与真实值进行评分。

参数:

ypd.Series, pd.DataFrame 或 np.ndarray (1D 或 2D): 要评分的时间序列
fhint、list、可强制转换为 pd.Index 或 ForecastingHorizon，default=None: 编码要预测的时间戳的预测范围。
Xpd.DataFrame 或 2D np.array，可选 (default=None): 要评分的外部时间序列如果 self.get_tag(“X-y-must-have-same-index”)，则 X.index 必须包含 y.index

Returns:

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

另请参见

sktime.performance_metrics.forecasting.mean_absolute_percentage_error

set_config(**config_dict)[source]#

将配置标志设置为给定值。

参数:

config_dictdict

配置名称：配置值对的字典。下面列出了有效的配置、值及其含义。

displaystr, “diagram”（默认）或“text”

jupyter kernel 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, default=True

打印 self 时是否只列出与默认值不同的 self 参数 (False)，或所有参数名称和值 (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, optional, default=”None”

广播/向量化时用于并行化的后端之一

“None”：按顺序执行循环，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, optional, default={}（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，这里可以传递任何对 joblib.Parallel 有效的键，例如 n_jobs，但 backend 除外，它直接由 backend 控制。如果未传递 n_jobs，将默认为 -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。这里可以传递任何对 joblib.Parallel 有效的键，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，将默认为 -1，其他参数将默认为 joblib 默认值。
“dask”：可以传递任何对 dask.compute 有效的键，例如 scheduler
“ray”：可以传递以下键
- “ray_remote_args”：对 ray.init 有效的键字典
- “shutdown_ray”：bool，默认 True；False 阻止 ray 在并行化后
  关闭。
- “logger_name”：str，默认“ray”；要使用的记录器名称。
- “mute_warnings”：bool，默认 False；如果为 True，则抑制警告。

remember_databool, default=True

self._X 和 self._y 是否在 fit 中存储并在 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。这会减少使用 save 时的序列化大小，但 update 将默认为“什么都不做”而不是“重新拟合所有已见数据”。

Returns:

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)[source]#

设置此对象的参数。

此方法适用于简单的 skbase 对象以及复合对象。参数键字符串 <component>__<parameter> 可用于复合对象（即包含其他对象的对象），以访问组件 <component> 中的 <parameter>。不带 <component>__ 的字符串 <parameter> 也可以使用，如果这使得引用明确，例如，组件中没有两个参数同名为 <parameter>。

参数:

**paramsdict: 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，如果它在 get_params 键中是唯一的。

Returns:

self对 self 的引用（设置参数后）

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 找到名为 random_state 的参数，并通过 set_params 将它们设置为通过 sample_dependent_seed 链式哈希从 random_state 导出的整数。这些整数通过链式哈希从 sample_dependent_seed 中采样，并保证种子随机生成器的伪随机独立性。

适用于 self 中的 random_state 参数，取决于 self_policy，以及仅当 deep=True 时才适用于其余组件对象。

注意：即使 self 没有 random_state 参数，或没有任何组件对象有 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 实例或 None, 默认值=None

伪随机数生成器，用于控制随机整数的生成。传入 int 值可在多次函数调用中获得可重现的输出。

deepbool, default=True

是否在 skbase 对象值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，则同时设置组件对象中的 random_state 参数。

self_policystr, 以下之一：{“copy”, “keep”, “new”}, 默认值=”copy”

“copy” : self.random_state 被设置为输入的 random_state
“keep” : self.random_state 保持原样
“new” : self.random_state 被设置为一个新的随机状态，

该状态派生自输入的 random_state，通常与输入状态不同

Returns:

self对 self 的引用

set_tags(**tag_dict)[source]#

将实例级别标签覆盖设置为给定值。

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。

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。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，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，在构建期间，或通过 __init__ 直接在构建后调用。

当前标签值可通过 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: 对 self 的引用。

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

更新截止值，以及可选地更新拟合参数。

如果没有实现特定于估计器的更新方法，默认的回退如下：

update_params=True：对到目前为止观察到的所有数据进行拟合

update_params=False：仅更新截止点并记住数据

状态要求: 要求状态为“已拟合”，即 self.is_fitted=True。

访问 self 中的属性

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self

将 self.cutoff 更新为 y 中看到的最新索引。

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

参数:

ysktime 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 中的单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。pd.DataFrame 带有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，Series 类型 pd.DataFrame 的 list
Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 带有 3 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，请参阅 mtype 词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb

Xsktime 兼容格式的时间序列，可选 (default=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, 可选 (default=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。

Returns:

self对 self 的引用

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

在测试集上迭代地进行预测和更新模型。

用于执行多次 update / predict 链式操作的简写，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()（稍后以单个批次返回）
self.update(y=cv.split_series(y)[1][0])
记住 self.predict()（稍后以单个批次返回）
等等
返回所有记住的预测结果

如果没有实现特定于估计器的更新方法，默认的回退如下：

update_params=True：对到目前为止观察到的所有数据进行拟合

update_params=False：仅更新截止点并记住数据

状态要求: 要求状态为“已拟合”，即 self.is_fitted=True。

访问 self 中的属性

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:

ysktime 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 中的单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。pd.DataFrame 带有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，Series 类型 pd.DataFrame 的 list
Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 带有 3 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，请参阅 mtype 词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb

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，其他默认值 = y/X 中的单个数据点逐个添加并预测，initial_window = 1，step_length = 1 且 fh = 1

Xsktime 兼容格式的时间序列，可选 (default=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 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, 可选 (default=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, 可选 (default=True)

如果为 True，则不会改变预测器的状态，即更新/预测序列是在副本上运行的，self 的截止点、模型参数、数据记忆不会改变
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 update/predict 一样

Returns:

y_pred对来自多个分割批次的点预测结果进行制表的对象

格式取决于预测的截止点和绝对预测期对

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，输出中省略截止点，具有与最近传入的 y 相同的类型：Series、Panel、Hierarchical scitype，格式相同（见上）
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，行索引对应于从中预测的截止点，列索引对应于预测的绝对预测期，如果在该 (截止点, 预测期) 对上没有进行预测，则条目为 nan

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

使用新数据更新模型并进行预测。

此方法对于单步更新和进行预测非常有用。

如果没有实现特定于估计器的更新方法，默认的回退是先更新，然后预测。

状态要求: 要求状态为“已拟合”。
访问 self 中的属性: 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，则更新以“_”结尾的模型属性。
写入 self: 通过追加行来更新 self._y 和 self._X 为 y 和 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，

更新以“_”结尾的已拟合模型属性。

参数:

ysktime 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 中的单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。pd.DataFrame 带有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，Series 类型 pd.DataFrame 的 list
Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 带有 3 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，请参阅 mtype 词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb

fhint、list、可强制转换为 pd.Index 或 ForecastingHorizon，default=None

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 (default=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 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, 可选 (default=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。

Returns:

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