VARReduce

class VARReduce(lags=1, regressor=None)

一种灵活的类似VAR的预测器，结合了表格化和回归。

输入数据 Y_in 是一个包含 n 个时间序列的多元时间序列数据。一个 n = 2 的示例：

index	ts1	ts2
1 2 3 4 5	11 12 13 14 15	6 7 8 9 10

拟合过程分为两步： 1. 表格化

对于 Y_in 中的每个时间步和每个时间序列，都会生成滞后值 X。滞后值的数量由 lags 参数决定。

下面是 lags = 2 的示例 Y_in 的 X。请注意缺少最早的两个时间步，因为没有相应的滞后值可用。

index	ts1_lag1	ts2_lag1	ts1_lag2	ts2_lag2
3 4 5	12 13 14	7 8 9	11 12 13	6 7 8

2. 回归

   选择的回归器以 Y_in 为目标，以 X 为预测变量进行拟合。注意要先移除 Y_in 中前 lags 个数据点，因为它们在 X 中没有对应的索引（即上面示例中的前两个数据点）。

对于预测，Y_in 中最后 lags 个观测值被重新构建为滞后预测变量 X_forecast，并传递给训练好的回归器以获得预测结果。X_forecast 如下所示。

index	ts1_lag1	ts2_lag1	ts1_lag2	ts2_lag2
6	15	10	14	9

默认情况下，使用 LinearRegression，其结果等同于传统的VAR模型。或者，可以使用任何与scikit-learn兼容的回归器来引入正则化和/或非线性。

例如

• VARReduce(regressor = Ridge()) 等同于带有 L2 正则化的 VAR；

• VARReduce(regressor = Lasso()) 等同于带有 L1 正则化的 VAR。

当输入数据包含相对于数据点而言大量的时间序列时，这两种模型可用于引入正则化并防止过拟合。

参数:

lagsint, 可选, 默认值=1

模型中包含的滞后值的数量。

regressor对象, 可选 (默认值=LinearRegression())

用于拟合模型的回归器。必须与scikit-learn兼容。

属性:

coefficients_np.ndarray, 形状 (lags, num_series, num_series)

模型的估计系数；仅当回归器具有 coef_ 属性时可用

intercept_np.ndarray, 形状 (num_series,)

每个时间序列的截距；仅当回归器具有 coef_ 属性时可用

num_seriesint

正在建模的时间序列数量。

var_namesstr列表

正在建模的时间序列的名称

示例

>>> from sktime.forecasting.var_reduce import VARReduce
>>> from sklearn.linear_model import Lasso
>>> from sktime.datasets import load_longley
>>> _, y = load_longley()
>>> forecaster = VARReduce(regressor=Lasso())  
>>> forecaster.fit(y)  
VARReduce(...)
>>> 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。
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])	在未来预测范围上拟合和预测时间序列。
get_class_tag(tag_name[, tag_value_default])	从类获取类标签值，带有来自父类的标签级别继承。
get_class_tags()	从类获取类标签，带有来自父类的标签级别继承。
get_config()	获取对象的配置标志。
get_fitted_params([deep])	获取拟合参数。
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，带有标签级别继承和覆盖。
get_tags()	从实例获取标签，带有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)	从序列化内存容器加载对象。
predict([fh, X])	在未来预测范围上预测时间序列。
predict_interval([fh, X, coverage])	计算/返回预测区间预测结果。
predict_proba([fh, X, marginal])	计算/返回完全概率预测结果。
predict_quantiles([fh, X, alpha])	计算/返回分位数预测结果。
predict_residuals([y, X])	返回时间序列预测的残差。
predict_var([fh, X, cov])	计算/返回方差预测结果。
reset()	将对象重置到干净的后初始化状态。
save([path, serialization_format])	将序列化对象保存到字节类对象或到 (.zip) 文件。
score(y[, X, fh])	使用MAPE（非对称）对预测结果进行评分，与真实值对比。
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, ...])	为对象设置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, ...])	在测试集上迭代地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。

clone()

获取与原始对象具有相同超参数和配置的克隆。

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

等效于构造一个 type(self) 的新实例，带有 self 的参数，即 type(self)(**self.get_params(deep=False))。

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

在值上也等同于调用 self.reset，不同之处在于 clone 返回一个新对象，而不是像 reset 那样修改 self。

引发:

如果克隆不符合规范（由于错误的 __init__），则引发 RuntimeError。

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_namestr, 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:

NotFittedError

如果估计器尚未拟合。

clone_tags(estimator, tag_names=None)

从另一个对象克隆标签作为动态覆盖。

每个与 scikit-base 兼容的对象都含有一个标签字典。标签可用于存储对象的元数据或控制对象的行为。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

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

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

默认值 tag_names 将 estimator 中的所有标签写入 self。

可以通过 get_tags 或 get_tag 查看当前的标签值。

estimator:class:BaseObject 或派生类的实例

参数:

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

self 的引用。

classmethod create_test_instance(parameter_set='default')

使用第一个测试参数集构造类的实例。

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。如果未为某个值定义特殊参数，将返回 “default” 集。

self

instance具有默认参数的类的实例

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_setstr, 默认值=”default”

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

self

创建所有测试实例的列表及其名称列表。

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 objs 中第 i 个实例在测试中的名称。如果实例数量多于一个，命名约定为 {cls.__name__}-{i}，否则为 {cls.__name__}

property cutoff

self

截止点 = 预测器的“当前时间”状态。

cutoffpandas 兼容的索引元素, 或 None

如果已设置截止点，则是 pandas 兼容的索引元素；否则为 None

property fh

已传递的预测范围。

将预测器拟合到训练数据。

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

状态变化

将状态更改为“已拟合”。

• 写入自身

• 设置以“_”结尾的拟合模型属性，可以通过 get_fitted_params 查看拟合属性。

• 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。

参数:

如果传递了 fh，则将 fh 存储到 self.fh。

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。pd.DataFrame 具有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，list 包含 Series 类型的 pd.DataFrame

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

有关数据格式的更多详细信息，请参阅 mtype 术语表。有关使用方法，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，不可选。

Xsktime 兼容格式的时间序列, 可选 (默认值=None)。

self

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")，X.index 必须包含 y.index。

selfself 的引用。

在未来预测范围上拟合和预测时间序列。

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

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

状态变化

将状态更改为“已拟合”。

• 写入自身

• 设置以“_”结尾的拟合模型属性，可以通过 get_fitted_params 查看拟合属性。

• 将 self.is_fitted 标志设置为 True。

• 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)。

参数:

将 fh 存储到 self.fh。

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。pd.DataFrame 具有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，list 包含 Series 类型的 pd.DataFrame

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

ysktime 兼容数据容器格式的时间序列

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

编码预测时间戳的预测范围。

编码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，不可选。

Xsktime 兼容格式的时间序列, 可选 (默认值=None)。

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。

X_predsktime 兼容格式的时间序列, 可选 (默认值=None)

self

用于预测的外部时间序列。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") 为真，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

在 fh 处的点预测结果，索引与 fh 相同。y_pred 与最近传递的 y 类型相同：Series, Panel, Hierarchical scitype，格式相同（见上文）

从类获取类标签值，带有来自父类的标签级别继承。

classmethod get_class_tag(tag_name, tag_value_default=None)

每个与 scikit-base 兼容的对象都含有一个标签字典，用于存储对象的元数据。

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

1. 它从对象中返回名称为 tag_name 的标签值，考虑了标签覆盖，按以下降序优先级排列：

2. 在类的 _tags 属性中设置的标签。

在父类 _tags 属性中设置的标签，

按继承顺序。

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

参数:

要检索可能包含实例覆盖的标签值，请使用 get_tag 方法代替。

tag_namestr

标签值的名称。

tag_value_default任何类型

self

如果未找到标签，则为默认/备用值。

tag_value

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

从类获取类标签，带有来自父类的标签级别继承。

每个与 scikit-base 兼容的对象都含有一个标签字典。标签可用于存储对象的元数据或控制对象的行为。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

classmethod get_class_tags()

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

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。

1. 它从对象中返回名称为 tag_name 的标签值，考虑了标签覆盖，按以下降序优先级排列：

2. 在类的 _tags 属性中设置的标签。

在父类 _tags 属性中设置的标签，

值是相应的标签值，覆盖按以下降序优先级排列：

实例可以根据超参数覆盖这些标签。

按继承顺序。

要检索可能包含实例覆盖的标签，请使用 get_tags 方法代替。

要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 类属性收集。不受通过 set_tags 或 clone_tags 设置的动态标签覆盖。

获取对象的配置标志。

get_config()

Configs 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，这些配置会覆盖默认配置。

默认配置设置在类或其父类的 _config 类属性中，并通过 set_config 设置的动态配置进行覆盖。

self

配置在 clone 或 reset 调用时保留。

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，然后从 _onfig_dynamic 对象属性中获取任何覆盖和新标签。

获取拟合参数。

get_fitted_params(deep=True)

所需状态

参数:

要求状态为“已拟合”。

deepbool, 默认值=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 : 参数值 字典，包括可拟合组件（= BaseEstimator 值参数）的拟合参数。

self

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

fitted_params键为 str 类型的字典

• 拟合参数字典，参数名 : 参数值 键值对包括：

• 始终：此对象的所有拟合参数，通过 get_param_names 获取，值为该键对应的拟合参数值，属于此对象

• 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()

self

获取对象的默认参数。

default_dict: dict[str, Any]

键是 cls 中在 __init__ 中定义了默认值的所有参数。值是在 __init__ 中定义的默认值。

classmethod get_param_names(sort=True)

参数:

获取对象的参数名称。

sortbool, 默认值=True

self

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

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。

获取此对象的参数值字典。

参数:

要求状态为“已拟合”。

get_params(deep=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 : 参数值 dict，包括组件的参数（= BaseObject 值参数）。

self

如果为 False，将返回此对象的参数名称 : 参数值 dict，但不包括组件的参数。

params键为 str 类型的字典

• 参数字典，参数名 : 参数值 键值对包括：

• 始终：此对象的所有拟合参数，通过 get_param_names 获取，值为该键对应的拟合参数值，属于此对象

• 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 的所有参数都显示为 paramname 及其值

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

从实例获取标签值，带有标签级别继承和覆盖。

每个与 scikit-base 兼容的对象都含有一个标签字典。标签可用于存储对象的元数据或控制对象的行为。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

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

1. get_tag 方法从实例中检索名称为 tag_name 的单个标签的值，考虑了标签覆盖，按以下降序优先级排列：

在实例上通过 set_tags 或 clone_tags 设置的标签，

2. 它从对象中返回名称为 tag_name 的标签值，考虑了标签覆盖，按以下降序优先级排列：

3. 在类的 _tags 属性中设置的标签。

在父类 _tags 属性中设置的标签，

参数:

要检索可能包含实例覆盖的标签值，请使用 get_tag 方法代替。

在实例构造时设置。

要检索的标签名称

tag_value_default任何类型, 可选；默认值=None

如果未找到标签，则为默认/备用值

raise_errorbool

self

当未找到标签时是否引发 ValueError

tag_valueAny

引发:

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。

ValueError，如果 raise_error 为 True。

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

从实例获取标签，带有标签级别继承和覆盖。

每个与 scikit-base 兼容的对象都含有一个标签字典。标签可用于存储对象的元数据或控制对象的行为。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

get_tags()

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。

1. get_tag 方法从实例中检索名称为 tag_name 的单个标签的值，考虑了标签覆盖，按以下降序优先级排列：

在实例上通过 set_tags 或 clone_tags 设置的标签，

2. 它从对象中返回名称为 tag_name 的标签值，考虑了标签覆盖，按以下降序优先级排列：

3. 在类的 _tags 属性中设置的标签。

在父类 _tags 属性中设置的标签，

self

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 属性的任何键，或通过 set_tags 或 clone_tags 设置的标签。

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 对象属性中获取任何覆盖和新标签。

返回估计器的测试参数设置。

参数:

parameter_setstr, 默认值=”default”

classmethod get_test_params(parameter_set='default')

self

要返回的测试参数集的名称，用于测试。如果未为某个值定义特殊参数，将返回 “default” 集。当前预测器没有保留值。

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”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）字典。

检查对象是否由其他 BaseObjects 组成。

is_composite()

self

复合对象是参数中包含对象的对象。在实例上调用，因为这可能因实例而异。

composite: bool

对象是否有任何参数的值是 BaseObject 的后代实例。

property is_fitted

是否已调用 fit。

self

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

bool

估计器是否已 fit。

从文件位置加载对象。

参数:

classmethod load_from_path(serial)

self

从文件位置加载对象。

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

从序列化内存容器加载对象。

参数:

反序列化的 self，产生 cls.save(path) 在 path 处的输出

self

classmethod load_from_serial(serial)

predict(fh=None, X=None)

在未来预测范围上预测时间序列。

get_fitted_params(deep=True)

要求状态为“已拟合”，即 self.is_fitted=True。

访问自身属性

• 已拟合模型的属性，以“_”结尾。

• self.cutoff, self.is_fitted

将状态更改为“已拟合”。

如果 fh 已传入且之前未传入过，则将其存储到 self.fh。

参数:

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

预测时间范围，编码要预测的时间戳。如果已在 fit 中传入，则不应再次传入。如果尚未在 fit 中传入，则必须传入，非可选。

编码预测时间戳的预测范围。

Xsktime 兼容格式的时间序列，可选（默认值=None）

预测中使用的外生时间序列。应与 fit 中的 y 具有相同的科学类型（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 的索引引用。

self

用于预测的外部时间序列。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") 为真，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

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

计算/返回预测区间预测结果。

如果 coverage 是可迭代的，则会计算多个区间。

get_fitted_params(deep=True)

要求状态为“已拟合”，即 self.is_fitted=True。

访问自身属性

• 已拟合模型的属性，以“_”结尾。

• self.cutoff, self.is_fitted

将状态更改为“已拟合”。

如果 fh 已传入且之前未传入过，则将其存储到 self.fh。

参数:

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

预测时间范围，编码要预测的时间戳。如果已在 fit 中传入，则不应再次传入。如果尚未在 fit 中传入，则必须传入，非可选。

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

• 如果 fh 是 int 或 int 的数组类对象，它被解释为相对预测范围，并被强制转换为相对预测范围 ForecastingHorizon(fh, is_relative=True)。

• 如果 fh 的类型是 pd.Index，它被解释为绝对预测范围，并被强制转换为绝对预测范围 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选（默认值=None）

预测中使用的外生时间序列。应与 fit 中的 y 具有相同的科学类型（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 的索引引用。

coverage浮点数或包含唯一浮点数值的列表，可选（默认值=0.90）

预测区间的名义覆盖率

self

pred_intpd.DataFrame

列具有多级索引：第一级是在 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 中的相同。

第三级是字符串“lower”或“upper”，表示区间的下限/上限。

行索引是 fh，附加的（上层）级别等于实例级别，

来自 fit 中见到的 y，如果 fit 中见到的 y 是 Panel 或 Hierarchical 类型。

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下，下限/上限取决于第三列索引，对应于行索引。区间上限/下限预测值等同于对于 coverage 中的 c，在 alpha = 0.5 - c/2 和 0.5 + c/2 处的分位数预测值。

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

计算/返回完全概率预测结果。

注意

• 当前仅对 Series (非面板，非层次) y 实现。

• 需要安装 skpro 以返回分布对象。

get_fitted_params(deep=True)

要求状态为“已拟合”，即 self.is_fitted=True。

访问自身属性

• 已拟合模型的属性，以“_”结尾。

• self.cutoff, self.is_fitted

将状态更改为“已拟合”。

如果 fh 已传入且之前未传入过，则将其存储到 self.fh。

参数:

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

预测时间范围，编码要预测的时间戳。如果已在 fit 中传入，则不应再次传入。如果尚未在 fit 中传入，则必须传入，非可选。

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

• 如果 fh 是 int 或 int 的数组类对象，它被解释为相对预测范围，并被强制转换为相对预测范围 ForecastingHorizon(fh, is_relative=True)。

• 如果 fh 的类型是 pd.Index，它被解释为绝对预测范围，并被强制转换为绝对预测范围 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选（默认值=None）

预测中使用的外生时间序列。应与 fit 中的 y 具有相同的科学类型（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 的索引引用。

marginal布尔值，可选（默认值=True）

返回的分布是否按时间索引是边际分布

self

pred_distskpro BaseDistribution

预测分布。如果 marginal=True，将是按时间点的边际分布；如果 marginal=False 且方法已实现，将是联合分布

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

计算/返回分位数预测结果。

如果 alpha 是可迭代的，则会计算多个分位数。

get_fitted_params(deep=True)

要求状态为“已拟合”，即 self.is_fitted=True。

访问自身属性

• 已拟合模型的属性，以“_”结尾。

• self.cutoff, self.is_fitted

将状态更改为“已拟合”。

如果 fh 已传入且之前未传入过，则将其存储到 self.fh。

参数:

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

预测时间范围，编码要预测的时间戳。如果已在 fit 中传入，则不应再次传入。如果尚未在 fit 中传入，则必须传入，非可选。

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

• 如果 fh 是 int 或 int 的数组类对象，它被解释为相对预测范围，并被强制转换为相对预测范围 ForecastingHorizon(fh, is_relative=True)。

• 如果 fh 的类型是 pd.Index，它被解释为绝对预测范围，并被强制转换为绝对预测范围 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选（默认值=None）

预测中使用的外生时间序列。应与 fit 中的 y 具有相同的科学类型（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 的索引引用。

alpha浮点数或包含唯一浮点数值的列表，可选（默认值=[0.05, 0.95]）

计算分位数预测值时的概率或概率列表。

self

quantilespd.DataFrame

列具有多级索引：第一级是在 fit 中 y 的变量名，

第二级是传入函数的 alpha 值。

行索引是 fh，附加的（上层）级别等于实例级别，

来自 fit 中见到的 y，如果 fit 中见到的 y 是 Panel 或 Hierarchical 类型。

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下，对应于行索引。

predict_residuals(y=None, X=None)

返回时间序列预测的残差。

将为在 y.index 处的预测值计算残差。

如果必须在 fit 中传入 fh，则必须与 y.index 一致。如果 y 是一个 np.ndarray，并且没有在 fit 中传入 fh，则将在范围为 range(len(y.shape[0])) 的 fh 处计算残差。

get_fitted_params(deep=True)

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）相对应。

访问自身属性

已拟合模型的属性，以“_”结尾。 self.cutoff, self._is_fitted

将状态更改为“已拟合”。

无返回值。

参数:

将 fh 存储到 self.fh。

包含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，使用截至目前见到的 y (self._y)，特别是

• 如果之前只调用了一次 fit，则生成样本内残差

• 如果 fit 需要 fh，则它必须指向 fit 中 y 的索引

Xsktime 兼容格式的时间序列，可选（默认值=None）

用于更新和预测的外生时间序列。应与 fit 中的 y 具有相同的科学类型（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须同时包含 fh 和 y.index 的索引引用。

self

y_ressktime 兼容数据容器格式的时间序列

在 fh`, 处的预测残差，索引与 ``fh`` 相同。y_res 的类型与最近传入的 y 相同：Series、Panel、Hierarchical 科学类型，格式相同（见上文）

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

计算/返回方差预测结果。

get_fitted_params(deep=True)

要求状态为“已拟合”，即 self.is_fitted=True。

访问自身属性

• 已拟合模型的属性，以“_”结尾。

• self.cutoff, self.is_fitted

将状态更改为“已拟合”。

如果 fh 已传入且之前未传入过，则将其存储到 self.fh。

参数:

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

预测时间范围，编码要预测的时间戳。如果已在 fit 中传入，则不应再次传入。如果尚未在 fit 中传入，则必须传入，非可选。

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

• 如果 fh 是 int 或 int 的数组类对象，它被解释为相对预测范围，并被强制转换为相对预测范围 ForecastingHorizon(fh, is_relative=True)。

• 如果 fh 的类型是 pd.Index，它被解释为绝对预测范围，并被强制转换为绝对预测范围 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选（默认值=None）

预测中使用的外生时间序列。应与 fit 中的 y 具有相同的科学类型（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 的索引引用。

cov布尔值，可选（默认值=False）

如果为 True，计算协方差矩阵预测值。如果为 False，计算边际方差预测值。

self

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 的列名完全相同。

对于没有名称的格式，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 中见到的 y，如果 fit 中见到的 y 是 Panel 或 Hierarchical 类型。

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

在该变量和索引处的方差，给定观测数据。

如果 cov=True

列索引是多级索引：第一级是变量名（如上所述）

第二级是 fh。

行索引是 fh，附加的级别等于实例级别，

来自 fit 中见到的 y，如果 fit 中见到的 y 是 Panel 或 Hierarchical 类型。

条目是（协）方差预测值，对于列索引中的变量，以及

行索引和列索引之间时间点的协方差。

注意：不返回不同变量之间的协方差预测值。

reset()

将对象重置到干净的后初始化状态。

将 self 重置到构造函数调用后的状态，保留相同的超参数。通过 set_config 设置的配置值也得到保留。

调用 reset 会删除所有对象属性，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”的属性将保留。

• 配置属性，配置将原样保留。也就是说，reset 前后 get_config 的结果相同。

类方法、对象方法和类属性也不受影响。

等同于 clone，但 reset 会修改 self 自身，而不是返回一个新对象。

调用 self.reset() 后，self 的值和状态等同于通过构造函数调用``type(self)(**self.get_params(deep=False))`` 获得的对象。

self

self 的引用。

类实例重置到初始化后的干净状态，但保留当前的超参数值。

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

将序列化对象保存到字节类对象或到 (.zip) 文件。

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

保存的文件是包含以下内容的 zip 文件：_metadata - 包含 self 的类信息，即 type(self)；_obj - 序列化的 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，self 将保存到内存对象中；如果为文件位置，self 将保存到该文件位置。如果

• path=”estimator” 则将在当前工作目录 (cwd) 下创建名为 estimator.zip 的 zip 文件。

• path=”/home/stored/estimator” 则将创建一个名为 estimator.zip 的 zip 文件，

存储在 /home/stored/ 中。

serialization_format: str，默认值 = “pickle”

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

self

如果 path 为 None - 内存中的序列化 self

如果 path 为文件位置 - 指向文件的 ZipFile 对象

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

使用MAPE（非对称）对预测结果进行评分，与真实值对比。

参数:

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

用于评分的时间序列

有关数据格式的更多详细信息，请参阅 mtype 术语表。有关使用方法，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)

Xpd.DataFrame, 或 2D np.array，可选（默认值=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

self

score浮点数

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:

配置在 clone 或 reset 调用时保留。

配置名称 : 配置值 对的字典。有效的配置项、值及其含义列于下方

display字符串，“diagram”（默认）或“text”

jupyter 内核如何显示 self 的实例

• “diagram” = HTML 盒状图表示

• “text” = 字符串打印输出

print_changed_only布尔值，默认值=True

打印 self 时，如果为 True 则只列出与默认值不同的自身参数，如果为 False 则列出所有参数名和值。不递归，即只影响 self 自身，不影响组件估计器。

warnings字符串，“on”（默认）或“off”

是否触发警告，仅影响 sktime 发出的警告

• “on” = 将触发 sktime 发出的警告

• “off” = 将不会触发 sktime 发出的警告

backend:parallel字符串，可选，默认值=”None”

进行广播/向量化时用于并行计算的后端，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，需要在环境中安装 dask 包

• “ray”：使用 ray，需要在环境中安装 ray 包

backend:parallel:params字典，可选，默认值={}（不传递参数）

作为配置传递给并行化后端的额外参数。有效键取决于 backend:parallel 的值

• “None”：没有额外参数，backend_params 被忽略

• “loky”、“multiprocessing”和“threading”：默认的 joblib 后端。任何 joblib.Parallel 的有效键都可以在此处传递，例如 n_jobs，除了由 backend 直接控制的 backend 键。如果未传入 n_jobs，它将默认为 -1，其他参数将使用 joblib 的默认值。

• “joblib”：自定义和第三方 joblib 后端，例如 spark。任何 joblib.Parallel 的有效键都可以在此处传递，例如 n_jobs。在这种情况下，backend 必须作为 backend_params 的一个键传入。如果未传入 n_jobs，它将默认为 -1，其他参数将使用 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”：包含 ray.init 的有效键的字典

  • “shutdown_ray”：布尔值，默认值=True；False 会阻止 ray 在并行计算后

    关闭。

  • “logger_name”：字符串，默认值=”ray”；要使用的日志记录器名称。

  • “mute_warnings”：布尔值，默认值=False；如果为 True，抑制警告

remember_data布尔值，默认值=True

在 fit 中是否存储并在 update 中更新 self._X 和 self._y。如果为 True，则存储并更新 self._X 和 self._y。如果为 False，则不存储也不更新 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“不执行任何操作”，而不是“重新拟合所有已见数据”。

self

self对自身的引用。

注释

改变对象状态，将 config_dict 中的配置项复制到 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），以便访问组件 <component> 中的 <parameter>。如果引用是明确的（例如，没有两个组件参数同名为 <parameter>），也可以使用不带 <component>__ 前缀的字符串 <parameter>。

参数:

**params字典

BaseObject 参数，键必须是 <component>__<parameter> 字符串。如果 <parameter> 在 get_params 键中是唯一的，则可以使用 <parameter> 作为完整字符串的别名。

self

self对自身的引用（设置参数后）

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

为对象设置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 将其设置为从 random_state 派生的整数。这些整数通过 sample_dependent_seed 从链式哈希中采样，并保证已种子随机数生成器的伪随机独立性。

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

注意：即使 self 没有 random_state 参数，或者任何组件都没有 random_state 参数，此方法也会调用 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，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 以在多次函数调用中获得可复现的输出。

要求状态为“已拟合”。

是否在值为 skbase 对象的参数（即组件估计器）中设置随机状态。

• 如果为 False，则仅设置 self 的 random_state 参数（如果存在）。

• 如果为 True，也将设置组件对象中的 random_state 参数。

self_policy字符串，选项之一为 {“copy”, “keep”, “new”}，默认值=”copy”

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

• “keep”：保留 self.random_state 不变

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

派生自输入的 random_state，并且通常与它不同

self

self对自身的引用

set_tags(**tag_dict)

将实例级别标签覆盖设置为给定值。

classmethod get_class_tag(tag_name, tag_value_default=None)

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 将动态标签覆盖值设置为 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。

方法 set_tags 只能在对象的 __init__ 方法中（构造期间）调用，或在通过 __init__ 构造后直接调用。

estimator:class:BaseObject 或派生类的实例

参数:

**tag_dict字典

标签名 : 标签值 对的字典。

self

返回

对自身的引用。

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

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，则默认回退行为如下：

• update_params=True：拟合所有已观测到的数据

• update_params=False：仅更新截止点并记住数据

get_fitted_params(deep=True)

要求状态为“已拟合”，即 self.is_fitted=True。

访问自身属性

• 已拟合模型的属性，以“_”结尾。

• self.cutoff, self.is_fitted

将状态更改为“已拟合”。

• 将 self.cutoff 更新为 y 中最新的索引。

• 如果 update_params=True，更新已拟合模型中以“_”结尾的属性。

参数:

如果传递了 fh，则将 fh 存储到 self.fh。

用于更新预测器的时间序列。

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。pd.DataFrame 具有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，list 包含 Series 类型的 pd.DataFrame

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

编码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，不可选。

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

update_params布尔值，可选（默认值=True）

是否应该更新模型参数。如果为 False，则只更新截止点，模型参数（例如，系数）不更新。

self

self对自身的引用

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

在测试集上迭代地进行预测并更新模型。

执行多个 update / predict 操作链的快捷方式，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 和 cv 不是默认值时）

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

2. 记住 self.predict() 的结果（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() 的结果（稍后在单个批次中返回）

5. 等等

6. 返回所有记住的预测值

如果未实现特定于估计器的 update 方法，则默认回退行为如下：

• update_params=True：拟合所有已观测到的数据

• update_params=False：仅更新截止点并记住数据

get_fitted_params(deep=True)

要求状态为“已拟合”，即 self.is_fitted=True。

访问自身属性

• 已拟合模型的属性，以“_”结尾。

• self.cutoff, self.is_fitted

修改 self 的状态（除非 reset_forecaster=True）

• 将 self.cutoff 更新为 y 中最新的索引。

• 如果 update_params=True，更新已拟合模型中以“_”结尾的属性。

如果 reset_forecaster=True，则不更新状态。

参数:

如果传递了 fh，则将 fh 存储到 self.fh。

用于更新预测器的时间序列。

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。pd.DataFrame 具有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，list 包含 Series 类型的 pd.DataFrame

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

cv继承自 BaseSplitter 的时间序列交叉验证生成器，可选

例如，SlidingWindowSplitter 或 ExpandingWindowSplitter；默认值 = 使用 initial_window=1 的 ExpandingWindowSplitter，默认行为是 y/X 中的单个数据点被逐一添加并预测，initial_window = 1，step_length = 1 且 fh = 1

Xsktime 兼容格式的时间序列，可选（默认值=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 的索引引用。

update_params布尔值，可选（默认值=True）

是否应该更新模型参数。如果为 False，则只更新截止点，模型参数（例如，系数）不更新。

reset_forecaster布尔值，可选（默认值=True）

• 如果为 True，将不会改变预测器的状态，即 update/predict 序列是在一个副本上运行的，并且 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 update/predict 序列时会更新 self，就像直接调用 update/predict 一样

self

y_pred汇总多个分割批次的点预测值的对象

格式取决于预测的总体（截止点，绝对预测范围）对

• 如果绝对预测范围点集合是唯一的：类型是 sktime 兼容数据容器格式的时间序列，输出中省略截止点；类型与最近传入的 y 相同：Series, Panel, Hierarchical 科学类型，格式相同（见上文）

• 如果绝对预测范围点集合不是唯一的：类型是 pandas DataFrame，行索引和列索引都是时间戳；行索引对应于预测时的截止点；列索引对应于预测的绝对预测范围点；条目是根据行索引（截止点）预测的列索引（预测范围点）的点预测值；如果在该（截止点，预测范围）对下没有进行预测，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。

此方法在一个步骤中进行更新和预测，非常有用。

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

get_fitted_params(deep=True)

所需状态

访问自身属性

已拟合模型的属性，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，已拟合模型中以“_”结尾的属性。

将状态更改为“已拟合”。

通过追加行来使用 y 和 X 更新 self._y 和 self._X。将 self.cutoff 和 self._cutoff 更新为 y 中见到的最后一个索引。如果 update_params=True，

更新已拟合模型中以“_”结尾的属性。

参数:

如果传递了 fh，则将 fh 存储到 self.fh。

用于更新预测器的时间序列。

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。pd.DataFrame 具有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，list 包含 Series 类型的 pd.DataFrame

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

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

预测时间范围，编码要预测的时间戳。如果已在 fit 中传入，则不应再次传入。如果尚未在 fit 中传入，则必须传入，非可选。

Xsktime 兼容格式的时间序列，可选（默认值=None）

用于更新和预测的外生时间序列。应与 fit 中的 y 具有相同的科学类型（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 的索引引用。

update_params布尔值，可选（默认值=True）

是否应该更新模型参数。如果为 False，则只更新截止点，模型参数（例如，系数）不更新。

self

用于预测的外部时间序列。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") 为真，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