PolynomialTrendForecaster#

class PolynomialTrendForecaster(regressor=None, degree=1, with_intercept=True, prediction_intervals=False)[源代码]#

使用多项式趋势预测时间序列数据。

使用 `regressor` 参数指定的 `sklearn` 回归器，在提取多项式特征后，对时间序列值与其对应索引进行回归。与 `TrendForecaster` 相同，只是在开始时将 `regressor` 与应用于时间索引的转换步骤 `PolynomialFeatures(degree, with_intercept)` 组成了管道。

在 `fit` 中，对于输入时间序列 \((v_i, p(t_i)), i = 1, \dots, T\)，其中 \(v_i\) 是值，\(t_i\) 是时间戳，\(p\) 是度为 `degree` 的多项式特征转换，并且根据 `with_intercept` 是否包含截距，拟合一个 `sklearn` 模型 \(v_i = f(p(t_i)) + \epsilon_i\)，其中 \(f\) 是当 `regressor.fit` 传入 `X` = \(p(t_i)\) 的向量，`y` = \(v_i\) 的向量时拟合的模型。

在 `predict` 中，对于新的时间点 \(t_*\)，预测 \(f(p(t_*))\)，其中 \(f\) 是在上面 `fit` 中拟合的函数，\(p\) 是上面相同多项式特征转换。

`regressor` 的默认值是线性回归 = `sklearn` `LinearRegression`，使用默认参数。`degree` 的默认值是 1。

如果时间戳是 `pd.DatetimeIndex`，拟合系数的单位是从 1970 年开始的天数。如果时间戳是 `pd.PeriodIndex`，系数的单位是从 1970 年开始的（完整）周期数。

参数:

regressorsklearn 回归器估计器对象，默认值 = None: 定义回归模型类型。如果未设置，将默认为 sklearn.linear_model.LinearRegression
degreeint, 默认值 = 1: 多项式函数的次数
with_interceptbool, 默认值=True: 如果为 True，则包含一个所有多项式幂次为零的特征（即全为 1 的列，在线性模型中充当截距项）。
prediction_intervalsbool, 默认值=False: 是否计算预测区间。如果为 True，在拟合期间会进行额外计算，以便在预测期间计算预测区间。预测区间按照 [1] 的第 7.9 节计算。公式是标准的，基于拟合数据的 OLS 回归模型。 [1] 中的公式假设回归模型包含截距，并在 with_intercept 为 False 时进行适当修改。

属性:

regressor_sklearn 回归器估计器对象: 拟合的回归器对象。这是一个拟合好的 `sklearn` 管道，包含步骤 `PolynomialFeatures(degree, with_intercept)`，后接一个 `regressor` 的克隆。

参考资料

[1]

Hyndman, Rob J. 和 George Athanasopoulos. Forecasting: principles

and practice, 第 3 版. OTexts: Melbourne, Australia. OTexts.com/fpp3.

示例

>>> from sktime.datasets import load_airline
>>> from sktime.forecasting.trend import PolynomialTrendForecaster
>>> y = load_airline()
>>> forecaster = PolynomialTrendForecaster(degree=1)
>>> forecaster.fit(y)
PolynomialTrendForecaster(...)
>>> 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`()	获取具有相同超参数和配置的对象的克隆。
`clone_tags`(estimator[, tag_names])	从另一个对象克隆标签作为动态覆盖。
`create_test_instance`([parameter_set])	使用第一个测试参数集构造类的实例。
`create_test_instances_and_names`([parameter_set])	创建所有测试实例的列表及其名称列表。
`fit`(y[, X, fh])	将预测器拟合到训练数据。
`fit_predict`(y[, X, fh, X_pred])	拟合并预测未来时间序列。
`get_class_tag`(tag_name[, tag_value_default])	从类获取类标签值，继承父类的标签级别。
`get_class_tags`()	从类获取类标签，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, ...])	从实例获取标签值，包括标签级别的继承和覆盖。
`get_tags`()	从实例获取标签，包括标签级别的继承和覆盖。
`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])	预测未来时间序列。
`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`()	将对象重置到干净的后初始化状态。
`save`([path, serialization_format])	将序列化的自身保存到类字节对象或到 (.zip) 文件。
`score`(y[, X, fh])	使用 MAPE（非对称）根据真实值评分预测。
`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])	更新截止值，并可选地更新拟合参数。
`update_predict`(y[, cv, X, update_params, ...])	对测试集进行迭代预测和模型更新。
`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')[源代码]#

返回估计器的测试参数设置。

参数:

parameter_setstr, 默认值 = “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 或 dict 列表, 默认值 = {}: 用于创建类测试实例的参数。每个 dict 都是构造一个“有趣的”测试实例的参数，例如 MyClass(**params) 或 MyClass(**params[i]) 创建一个有效的测试实例。create_test_instance 使用 params 中的第一个（或唯一一个）字典。

check_is_fitted(method_name=None)[源代码]#

检查估计器是否已拟合。

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。

如果不是，则引发 NotFittedError 异常。

参数:

method_namestr, 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。

引发:

NotFittedError: 如果估计器尚未拟合。

clone()[源代码]#

获取具有相同超参数和配置的对象的克隆。

克隆是具有相同超参数和配置但没有共享引用的不同对象，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，使用 self 的参数，即 type(self)(**self.get_params(deep=False))。

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

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

引发:

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

clone_tags(estimator, tag_names=None)[源代码]#

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。标签可用于存储有关对象的元数据，或控制对象的行为。

标签是特定于实例 self 的键值对，它们是对象构建后不会改变的静态标志。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

clone_tags 方法只能在对象的 __init__ 方法中，即在构建期间，或通过 __init__ 直接在构建后调用。

动态标签设置为 estimator 中指定名称 tag_names 的标签值。

tag_names 的默认设置会将 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 查看。

参数:

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

返回:

self: 对 self 的引用。

classmethod create_test_instance(parameter_set='default')[源代码]#

使用第一个测试参数集构造类的实例。

参数:

parameter_setstr, 默认值 = “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:

instance类的实例，使用默认参数

classmethod create_test_instances_and_names(parameter_set='default')[源代码]#

创建所有测试实例的列表及其名称列表。

参数:

parameter_setstr, 默认值 = “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:

objscls 实例列表: 第 i 个实例是 cls(**cls.get_test_params()[i])
namesstr 列表，长度与 objs 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[源代码]#

Cut-off = 预测器的“当前时间”状态。

返回:

cutoffpandas 兼容索引元素，或 None: 如果截止值已设置，则是 pandas 兼容索引元素；否则为 None

property fh[源代码]#: 已传递的预测范围。

fit(y, X=None, fh=None)[源代码]#

将预测器拟合到训练数据。

状态更改: 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 查看。

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 中。

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。

在 sktime 中，个体数据格式是所谓的 mtype 规范，每个 mtype 都实现了一个抽象的 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。带有 2 级行 MultiIndex (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，或 Series 类型 pd.DataFrame 的 list
Hierarchical scitype = 分层集合，用于分层预测。带有 3 级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time) 的 pd.DataFrame

有关数据格式的更多详细信息，请参阅 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, 默认值=None

编码要预测时间戳的预测范围。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 (默认值=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)[源代码]#

拟合并预测未来时间序列。

等同于 fit(y, X, fh).predict(X_pred)。如果未传递 X_pred，则等同于 fit(y, fh, X).predict(X)。

状态更改: 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 查看。

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 中。

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。

在 sktime 中，个体数据格式是所谓的 mtype 规范，每个 mtype 都实现了一个抽象的 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。带有 2 级行 MultiIndex (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，或 Series 类型 pd.DataFrame 的 list
Hierarchical scitype = 分层集合，用于分层预测。带有 3 级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time) 的 pd.DataFrame

有关数据格式的更多详细信息，请参阅 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 (默认值=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_predsktime 兼容格式的时间序列，可选 (默认值=None)

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` 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_predsktime 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 的类型与最近传递的 y 的类型相同: Series, Panel, Hierarchical scitype，格式相同（见上文）。

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

从类获取类标签值，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，用于存储有关对象的元数据。

get_class_tag 方法是一个类方法，用于检索标签值，仅考虑类级别的标签值和覆盖。

它从对象返回名称为 tag_name 的标签值，考虑标签覆盖，按以下优先级从高到低排序

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

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，这些覆盖是在实例上定义的。

要检索可能包含实例覆盖的标签值，请改用 get_tag 方法。

参数:

tag_namestr: 标签值的名称。
tag_value_default任意类型: 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()[源代码]#

从类获取类标签，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。标签可用于存储有关对象的元数据，或控制对象的行为。

标签是特定于实例 self 的键值对，它们是对象构建后不会改变的静态标志。

get_class_tags 方法是一个类方法，用于检索标签值，仅考虑类级别的标签值和覆盖。

它返回一个字典，其键是类或其任何父类中设置的 _tags 的任何属性的键。

值是相应的标签值，覆盖按以下优先级从高到低排序

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按继承顺序。

实例可以根据超参数覆盖这些标签。

要检索可能包含实例覆盖的标签，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，这些覆盖是在实例上定义的。

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。不被 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()[源代码]#

获取自身的配置标志。

Configs 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，这些配置会覆盖默认配置。

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。

Configs 在 clone 或 reset 调用中保留。

返回:

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)[源代码]#

获取已拟合参数。

所需状态: 要求状态为“已拟合”。

参数:

deepbool, 默认值=True

是否返回组件的拟合参数。

如果为 True，将为此对象返回一个参数名称 : 值字典，包括可拟合组件（= BaseEstimator 值参数）的拟合参数。
如果为 False，将为此对象返回一个参数名称 : 值字典，但不包括组件的拟合参数。

返回:

fitted_params键为 str 类型的 dict

拟合参数字典，paramname : paramvalue 键值对包括

始终包括: 此对象的所有拟合参数，通过 get_param_names 访问。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。组件的参数按 [componentname]__[paramname] 索引。componentname 的所有参数都显示为 paramname 及其值。
如果 deep=True，还包含任意级别的组件递归，例如 [componentname]__[componentcomponentname]__[paramname] 等。

classmethod get_param_defaults()[源代码]#

获取对象的默认参数。

返回:

default_dict: dict[str, Any]: 键是 cls 中在 __init__ 中定义了默认值的所有参数。值是 __init__ 中定义的默认值。

classmethod get_param_names(sort=True)[源代码]#

获取对象的参数名称。

参数:

sortbool, 默认值=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。

返回:

param_names: list[str]: cls 的参数名称列表。如果 sort=False，顺序与它们在类 __init__ 中出现的顺序相同。如果 sort=True，按字母顺序排序。

get_params(deep=True)[源代码]#

获取此对象的参数值字典。

参数:

deepbool, 默认值=True

是否返回组件的参数。

如果为 True，将为此对象返回一个参数名称 : 值字典，包括组件（= BaseObject 值参数）的参数。
如果为 False，将为此对象返回一个参数名称 : 值字典，但不包括组件的参数。

返回:

params键为 str 类型的 dict

参数字典，paramname : paramvalue 键值对包括

始终包括: 此对象的所有参数，通过 get_param_names 访问。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。组件的参数按 [componentname]__[paramname] 索引。componentname 的所有参数都显示为 paramname 及其值。
如果 deep=True，还包含任意级别的组件递归，例如 [componentname]__[componentcomponentname]__[paramname] 等。

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

从实例获取标签值，包括标签级别的继承和覆盖。

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

标签是特定于实例 self 的键值对，它们是对象构建后不会改变的静态标志。

get_tag 方法从实例中检索名称为 tag_name 的单个标签的值，考虑标签覆盖，按以下优先级从高到低排序

通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构建时。

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

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；默认值=None: 如果未找到标签，则为默认/备用值
raise_errorbool: 未找到标签时是否引发 ValueError

返回:

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

引发:

ValueError，如果 raise_error 为 True。: 如果 tag_name 不在 self.get_tags().keys() 中，则引发 ValueError。

get_tags()[源代码]#

从实例获取标签，包括标签级别的继承和覆盖。

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

标签是特定于实例 self 的键值对，它们是对象构建后不会改变的静态标志。

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 _tags 的任何属性的键，或通过 set_tags 或 clone_tags 设置的标签的键。

值是相应的标签值，覆盖按以下优先级从高到低排序

通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构建时。

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按继承顺序。

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，然后是 _tags_dynamic 对象属性中的任何覆盖和新标签。

is_composite()[源代码]#

检查对象是否由其他 BaseObject 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: 对象的任何参数值是否是 BaseObject 的派生实例。

property is_fitted[源代码]#

是否已调用 fit。

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: 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:

反序列化的自身，其结果位于 path，即 cls.save(path) 的输出

classmethod load_from_serial(serial)[源代码]#

从序列化内存容器加载对象。

参数:

serialcls.save(None) 输出的第一个元素

返回:

反序列化的自身，其结果为 serial，即 cls.save(None) 的输出

predict(fh=None, X=None)[源代码]#

预测未来时间序列。

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

访问自身

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

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

参数:

fhint, list, 可强制转换为 pd.Index, 或 ForecastingHorizon, 默认值=None

编码要预测时间戳的预测范围。如果在 fit 中已传递过，则不应再传递。如果在 fit 中未传递过，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 (默认值=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")，则 X.index 必须包含 fh 索引引用。

返回:

y_predsktime 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 的类型与最近传递的 y 的类型相同: Series, Panel, Hierarchical scitype，格式相同（见上文）。

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，将计算多个区间。

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

访问自身

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

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

参数:

fhint, list, 可强制转换为 pd.Index, 或 ForecastingHorizon, 默认值=None

编码要预测时间戳的预测范围。如果在 fit 中已传递过，则不应再传递。如果在 fit 中未传递过，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）将其强制转换为 ForecastingHorizon。

如果 fh 是 int 或 int 的数组状，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 (默认值=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")，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。: 顺序与输入 coverage 中的顺序相同。

第三级是字符串“lower”或“upper”，分别表示区间的下限/上限。

行索引是 fh，额外的（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。

条目是区间的下限/上限预测，

对于列索引中的变量，在第二列索引中的名义覆盖率处，根据第三列索引是 lower/upper，对应于行索引。上限/下限区间预测等同于对于 coverage 中的 c，在 alpha = 0.5 - c/2, 0.5 + c/2 处的分位数预测。

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。

访问自身

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

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

参数:

fhint, list, 可强制转换为 pd.Index, 或 ForecastingHorizon, 默认值=None

编码要预测时间戳的预测范围。如果在 fit 中已传递过，则不应再传递。如果在 fit 中未传递过，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）将其强制转换为 ForecastingHorizon。

如果 fh 是 int 或 int 的数组状，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 (默认值=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")，则 X.index 必须包含 fh 索引引用。

marginalbool, 可选 (默认值=True)

返回的分布是否按时间索引是边际分布

返回:

pred_distskpro BaseDistribution: 预测分布。如果 marginal=True，将按时间点是边际分布；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。

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

访问自身

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

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

参数:

fhint, list, 可强制转换为 pd.Index, 或 ForecastingHorizon, 默认值=None

编码要预测时间戳的预测范围。如果在 fit 中已传递过，则不应再传递。如果在 fit 中未传递过，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）将其强制转换为 ForecastingHorizon。

如果 fh 是 int 或 int 的数组状，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 (默认值=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")，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 (default=[0.05, 0.95])

一个概率或一个概率列表，用于计算分位数预测。

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，额外的（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，对于列索引中的变量，: 在第二个列索引中的分位数概率处，对应于行索引。

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

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 中未传递 fh，则残差将针对范围为 range(len(y.shape[0])) 的 fh 进行计算。

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

参数:

ysktime 兼容数据容器格式的时间序列

包含地面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

如果之前进行过一次 fit 调用，则会产生样本内残差
如果 fit 需要 fh，则它必须在 fit 中指向 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 y 的 scitype（Series、Panel 或 Hierarchical）相同。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: fh 处的预测残差，与 fh 具有相同的索引。 y_res 与最近传递的 y 类型相同：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。

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

访问自身

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

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

参数:

fhint, list, 可强制转换为 pd.Index, 或 ForecastingHorizon, 默认值=None

编码要预测时间戳的预测范围。如果在 fit 中已传递过，则不应再传递。如果在 fit 中未传递过，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）将其强制转换为 ForecastingHorizon。

如果 fh 是 int 或 int 的数组状，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 (默认值=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")，则 X.index 必须包含 fh 索引引用。

covbool，可选 (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。

返回:

pred_varpd.DataFrame，格式取决于 cov 变量

如果 cov=False

列名称与 fit/update 中传入的 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，: 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，用于列索引中的变量。给定变量和 fh 索引的方差预测是给定观测数据对该变量和索引的预测

方差。

如果 cov=True

列索引是多索引：第一级是变量名（如上所述）: 第二级是 fh。
行索引是 fh，附加级别等于实例级别，: 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，用于列索引中的变量，以及: 行和列中时间索引之间的协方差。

注意：不同变量之间不返回协方差预测。

reset()[source]#

将对象重置到干净的后初始化状态。

导致将 self 设置为其在构造函数调用后立即处于的状态，使用相同的超参数。使用 set_config 设置的配置值也会保留。

一个 reset 调用会删除任何对象属性，除了

超参数 = 写入 self 的 __init__ 的参数，例如，self.paramname 其中 paramname 是 __init__ 的参数
包含双下划线的对象属性，即字符串“__”。例如，名为“__myattr”的属性会保留。
配置属性，配置保持不变。也就是说，get_config 在 reset 前后的结果是相等的。

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。

在调用 self.reset() 后，self 在值和状态上等于构造函数调用 ``type(self)(**self.get_params(deep=False))`` 后获得的对象。

返回:

self: 类实例重置为干净的后初始化状态，但保留当前超参数值。

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

将序列化的自身保存到类字节对象或到 (.zip) 文件。

行为：如果 path 为 None，则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；如果为文件位置，则将 self 保存到该文件位置。如果

path=”estimator”，则会在当前工作目录创建 zip 文件 estimator.zip。
path=”/home/stored/estimator”，则会在

/home/stored/ 中存储 zip 文件 estimator.zip。

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 - 引用该文件的 ZipFile

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

使用 MAPE（非对称）根据真实值评分预测。

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, 默认值=None: 编码要预测时间戳的预测范围。
Xpd.DataFrame, 或 2D np.array, 可选 (default=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。

另请参阅

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

config 名称 : config 值对的字典。有效的 config、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, default=True

打印 self 时是仅列出与默认值不同的 self 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”

是否触发警告，仅影响来自 sktime 的警告

“on” = 将触发来自 sktime 的警告
“off” = 将不触发来自 sktime 的警告

backend:parallelstr, 可选, 默认=”None”

广播/向量化时使用的并行化后端，选项之一为

“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，需要环境中安装 dask 包
“ray”：使用 ray，需要环境中安装 ray 包

backend:parallel:paramsdict, 可选, 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，backend_params 被忽略
“loky”, “multiprocessing” 和 “threading”：默认 joblib 后端，任何有效的 joblib.Parallel 键都可以在此处传递，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。任何有效的 joblib.Parallel 键都可以在此处传递，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”：可以传递任何有效的 dask.compute 键，例如 scheduler
“ray”：可以传递以下键
- “ray_remote_args”：有效的 ray.init 键的字典
- “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_databool, default=True

在 fit 中是否存储 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 时会减小序列化大小，但 update 将默认为“不做任何事情”而不是“重新拟合所有已看到的数据”。

返回:

self指向 self 的引用。

注意

更改对象状态，将 config_dict 中的 configs 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>。如果引用明确，也可以使用不带 <component>__ 的字符串 <parameter>，例如，组件中没有两个参数具有名称 <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，如果在 get_params 键中唯一。

返回:

self指向 self 的引用（设置参数后）

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

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，保证伪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，仅当 deep=True 时应用于剩余的组件对象。

注意：即使 self 没有 random_state 参数，或者组件中没有 random_state 参数，也会调用 set_params。因此，set_random_state 将重置任何 scikit-base 对象，即使是那些没有 random_state 参数的对象。

参数:

random_stateint, RandomState 实例或 None, default=None

用于控制随机整数生成的伪随机数生成器。传入 int 以在多次函数调用中获得可重现的输出。

deepbool, 默认值=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，则也设置组件对象中的 random_state 参数。

self_policystr，选项之一 {"copy", "keep", "new"}，default="copy"

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

派生自输入的 random_state，通常与它不同

返回:

self指向 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，用于存储有关对象的元数据。

标签是特定于实例 self 的键值对，它们是在对象构造后不会改变的静态标志。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，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、构造期间或通过 __init__ 构造后直接调用。

当前的标签值可以通过 get_tags 或 get_tag 查看。

参数:

**tag_dictdict: 标签名称 : 标签值对的字典。

返回:

Self: 指向 self 的引用。

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

更新截止值，并可选地更新拟合参数。

如果未实现特定于估计器的 update 方法，则默认回退如下：

update_params=True：对迄今为止所有观测到的数据进行拟合

update_params=False：仅更新 cutoff 并记住数据

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

访问自身

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 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。

在 sktime 中，个体数据格式是所谓的 mtype 规范，每个 mtype 都实现了一个抽象的 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。带有 2 级行 MultiIndex (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，或 Series 类型 pd.DataFrame 的 list
Hierarchical scitype = 分层集合，用于分层预测。带有 3 级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time) 的 pd.DataFrame

有关数据格式的更多详细信息，请参阅 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 (默认值=None)。

用于更新模型拟合的外部时间序列。应与 y 的 scitype（Series、Panel 或 Hierarchical）相同。如果 self.get_tag("X-y-must-have-same-index")，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 cutoff，模型参数（例如，系数）不会更新。

返回:

self指向 self 的引用

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

对测试集进行迭代预测和模型更新。

执行多个 update / predict 链式调用的简写，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 非默认）

self.update(y=cv.split_series(y)[0][0])
记住 self.predict() (稍后在单个批次中返回)
self.update(y=cv.split_series(y)[1][0])
记住 self.predict() (稍后在单个批次中返回)
等等
返回所有记住的预测

如果未实现特定于估计器的 update 方法，则默认回退如下：

update_params=True：对迄今为止所有观测到的数据进行拟合

update_params=False：仅更新 cutoff 并记住数据

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

访问自身

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。

在 sktime 中，个体数据格式是所谓的 mtype 规范，每个 mtype 都实现了一个抽象的 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。带有 2 级行 MultiIndex (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，或 Series 类型 pd.DataFrame 的 list
Hierarchical scitype = 分层集合，用于分层预测。带有 3 级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time) 的 pd.DataFrame

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

cv继承自 BaseSplitter 的时间序列交叉验证生成器，可选

例如，SlidingWindowSplitter 或 ExpandingWindowSplitter；default = initial_window=1 的 ExpandingWindowSplitter，并且 defaults = y/X 中的单个数据点逐个添加和预测，initial_window = 1, step_length = 1 和 fh = 1

Xsktime 兼容格式的时间序列，可选 (default=None)

用于更新和预测的外部时间序列。应与 fit 中 y 的 scitype（Series、Panel 或 Hierarchical）相同。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, 可选 (default=True)

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

reset_forecasterbool, 可选 (default=True)

如果为 True，将不会改变预测器的状态，即 update/predict 序列使用副本运行，并且 self 的 cutoff、模型参数、数据内存不会改变
如果为 False，将按照直接调用 update/predict 的方式在运行 update/predict 序列时更新 self

返回:

y_pred来自多个分割批次的点预测的表格化对象

格式取决于总体预测的对（cutoff，绝对 horizon）

如果绝对 horizon 点集合是唯一的：类型是 sktime 兼容数据容器格式的时间序列，输出中抑制了 cutoff，与最近传递的 y 类型相同：Series、Panel、Hierarchical scitype，格式相同（见上文）
如果绝对 horizon 点集合不唯一：类型是 pandas DataFrame，行索引和列索引是时间戳，行索引对应于从中进行预测的 cutoff，列索引对应于预测的绝对 horizon。条目是列索引的点预测，由行索引预测，如果在该 (cutoff, horizon) 对没有进行预测，则条目为 nan。

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

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进行预测很有用。

如果未实现特定于估计器的 update 方法，则默认回退是先 update，然后 predict。

所需状态: 要求状态为“已拟合”。
访问自身: 以“_”结尾的已拟合模型属性。指向已看到数据的指针，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。
写入自身: 通过附加行，使用 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:

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。

在 sktime 中，个体数据格式是所谓的 mtype 规范，每个 mtype 都实现了一个抽象的 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。带有 2 级行 MultiIndex (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，或 Series 类型 pd.DataFrame 的 list
Hierarchical scitype = 分层集合，用于分层预测。带有 3 级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time) 的 pd.DataFrame

有关数据格式的更多详细信息，请参阅 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, 默认值=None

编码要预测时间戳的预测范围。如果在 fit 中已传递过，则不应再传递。如果在 fit 中未传递过，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部时间序列。应与 fit 中 y 的 scitype（Series、Panel 或 Hierarchical）相同。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, 可选 (default=True)

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

返回:

y_predsktime 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 的类型与最近传递的 y 的类型相同: Series, Panel, Hierarchical scitype，格式相同（见上文）。