VECM#

class VECM(dates=None, freq=None, missing='none', k_ar_diff=1, coint_rank=1, deterministic='n', seasons=0, first_season=0, method='ml', exog_coint=None, exog_coint_fc=None)[source]#

向量误差修正模型，来自 statsmodels。

直接接口到 statsmodels.tsa.vector_ar.vecm。

VECM (向量误差修正模型) 是一个受限的 VAR 模型，用于处理协整的非平稳时间序列。

参数:

datesarray_like of datetime，可选

有关更多信息，请参阅 statsmodels.tsa.base.tsa_model.TimeSeriesModel。

freqstr，可选

有关更多信息，请参阅 statsmodels.tsa.base.tsa_model.TimeSeriesModel。

missingstr，可选，默认=”none”

有关更多信息，请参阅 statsmodels.base.model.Model。

k_ar_diffint，可选，默认=1

模型中的滞后差分数量。等于上述公式中的 \(k_{ar} - 1\)。

coint_rankint，可选，默认=1

协整秩，等于矩阵 \(\\Pi\) 的秩以及 \(\\alpha\) 和 \(\\beta\) 的列数。

deterministicstr，可选，默认=”n”

必须是以下之一：{"n", "co", "ci", "lo", "li"}

"n" - 无确定性项
"co" - 协整关系之外的常数项
"ci" - 协整关系之内的常数项
"lo" - 协整关系之外的线性趋势项
"li" - 协整关系之内的线性趋势项

这些可以组合使用（例如 "cili" 或 "colo" 表示带截距的线性趋势）。使用常数项时，必须选择是将其限制在协整关系内（即 "ci"）还是不加限制（即 "co"）。不要同时使用 "ci" 和 "co"。线性项的 "li" 和 "lo" 也适用同样规则。有关更多信息，请参阅 Notes 部分。

seasonsint，可选，默认值: 0

季节性周期的周期数。0 表示无季节性。

first_seasonint，可选，默认值: 0

第一个观测值的季节。

methodstr {“ml”}，默认值: “ml”

要使用的估计方法。“ml” 代表最大似然估计。

exog_coint可选，标量 (float)，大小为 nobs 的 1D ndarray，

大小为 (any, neqs) 的 2D ndarray/pd.DataFrame。协整关系内的确定性项。

exog_coint_fc可选，标量 (float)，大小为 nobs 的 1D ndarray，

大小为 (any, neqs) 的 2D ndarray/pd.DataFrame。exog_coint 的预测值

属性:

截止点: 截止点 = 预测器的“当前时间”状态。
fh: 已传递的预测范围。
is_fitted: 是否已调用 fit 方法。

示例

>>> import numpy as np  
>>> import pandas as pd  
>>> from sktime.forecasting.vecm import VECM  
>>> from sktime.split import temporal_train_test_split  
>>> from sktime.forecasting.base import ForecastingHorizon  
>>> index = pd.date_range(start="2005", end="2006-12", freq="ME")  
>>> df = pd.DataFrame(np.random.randint(0, 100, size=(23, 2)),
... columns=list("AB"),  
... index=pd.PeriodIndex(index))  
>>> train, test = temporal_train_test_split(df)  
>>> sktime_model = VECM()  
>>> fh = ForecastingHorizon([1, 3, 4, 5, 7, 9])
>>> _ = sktime_model.fit(train, fh=fh)  
>>> fc2 = sktime_model.predict(fh=fh)  

方法

`check_is_fitted`([method_name])	检查估计器是否已拟合。
`克隆`()	获取一个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])	拟合预测器到训练数据。
`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])	从类中获取类标签值，带有标签级别的父类继承。
`get_class_tags`()	从类中获取类标签，带有标签级别的父类继承。
`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，带有标签级别的继承和覆盖。
`get_tags`()	从实例中获取标签，带有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 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对象或 (.zip) 文件。
`score`(y[, X, fh])	使用 MAPE (非对称) 对预测结果进行评分。
`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, ...])	为此自身设置 random_state 伪随机种子参数。
`set_tags`(**tag_dict)	将实例级标签覆盖设置为给定值。
`update`(y[, X, update_params])	更新截止点值，并且可选地更新已拟合参数。
`update_predict`(y[, cv, X, update_params, ...])	在测试集上迭代更新模型并进行预测。
`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')[source]#

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。如果某个值未定义特殊参数，将返回 “default” 参数集。目前预测器没有保留值。

返回:

paramsdict 或 list of dict，默认值 = {}: 用于创建类的测试实例的参数。每个 dict 都是用于构造“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（或唯一一个）字典。

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。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。

参数:

method_namestr，可选: 调用此方法的函数名称。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()[source]#

获取一个具有相同超参数和配置的对象的克隆。

克隆是一个没有共享引用、处于初始化后状态的独立对象。此函数等效于返回 sklearn.clone 的 self。

等效于构造一个 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，但区别在于 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。

clone_tags(estimator, tag_names=None)[source]#

从另一个对象克隆标签作为动态覆盖。

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

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__ 方法中调用，即在构造期间或通过 __init__ 直接在构造后调用。

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

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

当前标签值可以通过 get_tags 或 get_tag 查看。

参数:

estimator:class:BaseObject 或派生类的实例
tag_namesstr 或 list of str，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')[source]#

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。如果某个值未定义特殊参数，将返回 “default” 参数集。

返回:

instance带有默认参数的类实例

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。如果某个值未定义特殊参数，将返回 “default” 参数集。

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[source]#

截止点 = 预测器的“当前时间”状态。

返回:

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]#: 已传递的预测范围。

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

拟合预测器到训练数据。

状态变更: 将状态变更为“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。

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 中的各种数据格式被称为 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), list 包含 Series 类型的 pd.DataFrame
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, pd.Index 可强制转换类型，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指向自身的引用。

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

拟合并预测未来时间序列。

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。

状态变更: 将状态变更为“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。

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 中的各种数据格式被称为 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), list 包含 Series 类型的 pd.DataFrame
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, pd.Index 可强制转换类型，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，它将通过调用 _check_fh 被强制转换为 ForecastingHorizon。特别是，如果 fh 是 pd.Index 类型，它将通过 ForecastingHorizon(fh, is_relative=False) 被强制转换。

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，将在预测中使用而不是 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_predsktime 兼容数据容器格式的时间序列: 在 fh 的点预测，索引与 fh 相同。y_pred 与最近传递的 y 具有相同类型：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，带有标签级别的父类继承。

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

get_class_tag 方法是一个类方法，它获取标签值，仅考虑类级别的标签值和覆盖。

它从对象中返回名为 tag_name 的标签值，考虑标签覆盖，优先级降序排列如下

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，

按照继承顺序。

不考虑实例上的动态标签覆盖，这些覆盖通过 set_tags 或 clone_tags 设置，定义在实例上。

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_namestr: 标签值的名称。
tag_value_default任意类型: 如果找不到标签，则为默认/备用值。

返回:

tag_value: self 中 tag_name 标签的值。如果找不到，则返回 tag_value_default。

classmethod get_class_tags()[source]#

从类中获取类标签，带有标签级别的父类继承。

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

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，它获取标签值，仅考虑类级别的标签值和覆盖。

它返回一个字典，其键是在类或其任何父类中设置的任何 _tags 属性的键。

值是对应的标签值，覆盖优先级降序排列如下

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，

按照继承顺序。

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。

不考虑实例上的动态标签覆盖，这些覆盖通过 set_tags 或 clone_tags 设置，定义在实例上。

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。

get_config()[source]#

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瞬态标志。

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 _config 类属性中设置，并被通过 set_config 设置的动态配置覆盖。

配置在调用 clone 或 reset 时保留。

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，然后从 _onfig_dynamic 对象属性收集任何覆盖和新标签。

get_fitted_params(deep=True)[source]#

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 类型参数）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带有 str 值键的 dict

已拟合参数字典，paramname：paramvalue 键值对包括

始终：此对象的所有已拟合参数，通过 get_param_names 获取的值为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，组件的参数以 [componentname]__[paramname] 索引，componentname 的所有参数以 paramname 及其值出现
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。值是在 __init__ 中定义的默认值。

classmethod get_param_names(sort=True)[source]#

获取对象的参数名称。

参数:

sortbool，默认值=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__ 中出现的顺序排列。如果 sort=True，则按字母顺序排列。

get_params(deep=True)[source]#

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，将返回此对象的参数名称：值 dict，包括组件（= BaseObject 类型参数）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。

返回:

params带有 str 值键的 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 获取的值为此对象该键的参数值，这些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，组件的参数以 [componentname]__[paramname] 索引，componentname 的所有参数以 paramname 及其值出现
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，带有标签级别的继承和覆盖。

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

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为 tag_name 的单个标签的值，考虑标签覆盖，优先级降序排列如下

通过实例上的 set_tags 或 clone_tags 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，

按照继承顺序。

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: 如果找不到标签，则为默认/备用值
raise_errorbool: 找不到标签时是否引发 ValueError

返回:

tag_valueAny: self 中 tag_name 标签的值。如果找不到，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()[source]#

从实例中获取标签，带有标签级别的继承和覆盖。

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

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，其键是在类或其任何父类中设置的任何 _tags 属性的键，或通过 set_tags 或 clone_tags 设置的标签。

值是对应的标签值，覆盖优先级降序排列如下

通过实例上的 set_tags 或 clone_tags 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，

按照继承顺序。

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，然后从 _tags_dynamic 对象属性收集任何覆盖和新标签。

is_composite()[source]#

检查对象是否由其他 BaseObjects 组成。

复合对象是参数中包含其他对象的对象。在实例上调用，因为这可能因实例而异。

返回:

composite: bool: 对象的任何参数的值是否为 BaseObject 后代实例。

property is_fitted[source]#

是否已调用 fit 方法。

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: 估计器是否已拟合。

classmethod load_from_path(serial)[source]#

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，其输出位于 path，来自 cls.save(path)

classmethod load_from_serial(serial)[source]#

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，其输出为 serial，来自 cls.save(None)

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

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。

访问自身中的属性

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。

参数:

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

预测视界，编码了要预测的时间戳。如果已在 fit 中传入，则不应再次传入。如果未在 fit 中传入，则必须传入，不可选。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，它将通过调用 _check_fh 被强制转换为 ForecastingHorizon。特别是，如果 fh 是 pd.Index 类型，它将通过 ForecastingHorizon(fh, is_relative=False) 被强制转换。

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。其数据类型 (Series, Panel, 或 Hierarchical) 应与 fit 中 y 的数据类型相同。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_predsktime 兼容数据容器格式的时间序列: 在 fh 的点预测，索引与 fh 相同。y_pred 与最近传递的 y 具有相同类型：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 是可迭代对象，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。

访问自身中的属性

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。

参数:

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

预测视界，编码了要预测的时间戳。如果已在 fit 中传入，则不应再次传入。如果未在 fit 中传入，则必须传入，不可选。

如果 fh 非 None 且类型非 ForecastingHorizon，则在内部会被强制转换为 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视界，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 的类型是 pd.Index，则被解释为绝对预测视界，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。其数据类型 (Series, Panel, 或 Hierarchical) 应与 fit 中 y 的数据类型相同。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浮点数或唯一浮点数列表，可选 (默认值=0.90)

预测区间的名义覆盖率

返回:

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分数。: 顺序与输入 coverage 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，如果 fit 中看到的 y 是 Panel 或 Hierarchical 类型，则具有附加（上层）实例级别。

从 fit 中看到的 y 的实例级别。

条目是区间下限/上限的预测值，

对于列索引中的变量，在第二级列索引中的名义覆盖率下，根据第三级列索引为下限/上限，对应于行索引。区间上限/下限预测等同于在 coverage 中的 c 值处，alpha = 0.5 - c/2 和 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。
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。

访问自身中的属性

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。

参数:

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

预测视界，编码了要预测的时间戳。如果已在 fit 中传入，则不应再次传入。如果未在 fit 中传入，则必须传入，不可选。

如果 fh 非 None 且类型非 ForecastingHorizon，则在内部会被强制转换为 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视界，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 的类型是 pd.Index，则被解释为绝对预测视界，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。其数据类型 (Series, Panel, 或 Hierarchical) 应与 fit 中 y 的数据类型相同。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。

marginal布尔值，可选 (默认值=True)

返回的分布是否按时间索引进行边际化

返回:

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

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

计算/返回分位数预测。

如果 alpha 是可迭代对象，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。

访问自身中的属性

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。

参数:

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

预测视界，编码了要预测的时间戳。如果已在 fit 中传入，则不应再次传入。如果未在 fit 中传入，则必须传入，不可选。

如果 fh 非 None 且类型非 ForecastingHorizon，则在内部会被强制转换为 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视界，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 的类型是 pd.Index，则被解释为绝对预测视界，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。其数据类型 (Series, Panel, 或 Hierarchical) 应与 fit 中 y 的数据类型相同。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浮点数或唯一浮点数列表，可选 (默认值=[0.05, 0.95])

一个或多个概率值，在这些值处计算分位数预测。

返回:

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，如果 fit 中看到的 y 是 Panel 或 Hierarchical 类型，则具有附加（上层）实例级别。: 从 fit 中看到的 y 的实例级别。
条目是分位数预测值，对于列索引中的变量，: 在第二级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。

将对 y.index 处的预测值计算残差。

如果 fit 中必须传入 fh，则必须与 y.index 一致。如果 y 是 np.ndarray，且 fit 中没有传入 fh，则残差将在 fh 范围为 range(len(y.shape[0])) 处计算。

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

参数:

ysktime 兼容数据容器格式的时间序列

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

如果为 None，则使用到目前为止看到的 y (self._y)，特别是

如果之前只调用过一次 fit，则生成样本内残差
如果 fit 要求 fh，则必须指向 fit 中 y 的索引

Xsktime 兼容格式的时间序列，可选 (默认值=None)

用于更新和预测的外生时间序列。其数据类型 (Series, Panel, 或 Hierarchical) 应与 fit 中 y 的数据类型相同。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，具有与 fh 相同的索引。y_res 具有与最近传入的 y 相同的类型：Series, Panel, Hierarchical 数据类型，相同的格式（参见上文）

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。

访问自身中的属性

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。

参数:

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

预测视界，编码了要预测的时间戳。如果已在 fit 中传入，则不应再次传入。如果未在 fit 中传入，则必须传入，不可选。

如果 fh 非 None 且类型非 ForecastingHorizon，则在内部会被强制转换为 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视界，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。
如果 fh 的类型是 pd.Index，则被解释为绝对预测视界，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。其数据类型 (Series, Panel, 或 Hierarchical) 应与 fit 中 y 的数据类型相同。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。

cov布尔值，可选 (默认值=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 的列名完全相同。: 对于无名称格式，列索引将是 RangeIndex。
行索引是 fh，具有附加级别等于实例级别，: 从 fit 中看到的 y 的实例级别。

从 fit 中看到的 y。条目是方差预测值，对于列索引中的变量。给定变量和 fh 索引的方差预测是根据观测数据预测的该变量和索引的预测方差。

从 fit 中看到的 y。条目是方差预测值，对于列索引中的变量。

如果 cov=True

列索引是多级索引：第一级是变量名（如上）: 第二级是 fh。
行索引是 fh，具有附加级别等于实例级别，: 从 fit 中看到的 y 的实例级别。
条目是（协）方差预测值，对于列索引中的变量，: 以及行和列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 设置回构造函数调用后的状态，保留相同的超参数。由 set_config 设置的配置值也保留。

调用 reset 会删除所有对象属性，除了

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

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 而非返回新对象。

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)) 后获得的对象相同。

返回:

self: 类实例被重置为干净的初始化后状态，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字节对象或 (.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，将 self 保存到该位置，格式为 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，self 保存到内存对象中；如果是文件位置，self 保存到该文件位置。

如果 path=”estimator”，则将在当前工作目录创建一个 zip 文件 estimator.zip。
如果 path=”/home/stored/estimator”，则 zip 文件 estimator.zip 将

存储在 /home/stored/ 中。

serialization_format: str，默认值 = “pickle”

用于序列化的模块。可用选项有 “pickle” 和 “cloudpickle”。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 是文件位置 - ZipFile，包含对文件的引用

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

使用 MAPE (非对称) 对预测结果进行评分。

参数:

ypd.Series, pd.DataFrame, 或 np.ndarray (1D 或 2D): 用于评分的时间序列
fhint, list, pd.Index 可强制转换类型，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 (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，X.index 必须包含 y.index。

返回:

score浮点数: 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

配置名 : 配置值对的字典。以下列出了有效的配置、值及其含义。

displaystr, “diagram” (默认值), 或 “text”

jupyter kernel 如何显示 self 实例

“diagram” = html 框图表示
“text” = 字符串打印输出

print_changed_only布尔值，默认值=True

打印 self 时是仅列出与默认值不同的 self 参数（True），还是列出所有参数名和值（False）。不嵌套，即仅影响 self 而不影响组件评估器。

warningsstr, “on” (默认值), 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, 可选, 默认值=“None”

广播/向量化时用于并行的后端，其中之一：

“None”：顺序执行循环，简单的列表推导
“loky”、“multiprocessing” 和 “threading”：使用 joblib.Parallel
“joblib”：自定义和第三方 joblib 后端，例如 spark
“dask”：使用 dask，需要环境中安装 dask 包
“ray”：使用 ray，需要环境中安装 ray 包

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

作为配置传递给并行后端的附加参数。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”：默认的 joblib 后端。任何 joblib.Parallel 的有效键都可以在此传入，例如 n_jobs，除了由 backend 直接控制的 backend 参数。如果未传入 n_jobs，默认值为 -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。任何 joblib.Parallel 的有效键都可以在此传入，例如 n_jobs。backend 在此情况下必须作为 backend_params 的键传入。如果未传入 n_jobs，默认值为 -1，其他参数将默认为 joblib 的默认值。
“dask”：可以传入任何 dask.compute 的有效键，例如 scheduler。
“ray”：可以传入以下键
- “ray_remote_args”：`ray.init` 的有效键字典
- “shutdown_ray”：布尔值，默认值=True；False 防止 ray 在并行化后
  关闭。
- “logger_name”：str，默认值=“ray”；使用的日志记录器名称。
- “mute_warnings”：布尔值，默认值=False；如果为 True，则抑制警告。

remember_data布尔值，默认值=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 时减少序列化大小，但 update 将默认执行“无操作”而不是“重新拟合所有已见数据”。

返回:

self对 self 的引用。

注意

更改对象状态，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>。如果不带 <component>__ 的字符串 <parameter> 使引用是明确的（例如，没有两个组件参数同名 <parameter>），也可以使用它。

参数:

**paramsdict: BaseObject 参数，键必须是 <component>__<parameter> 字符串。如果__ 后缀在 get_params 键中是唯一的，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')[source]#

为此自身设置 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 导出的整数。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 适用于 self 中的 random_state 参数，并且仅当 deep=True 时才适用于剩余的组件对象。

注意：即使 self 没有 random_state 参数，或者没有任何组件具有 random_state 参数，也会调用 set_params。因此，set_random_state 将重置任何 scikit-base 对象，即使它们没有 random_state 参数。

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 可实现在多次函数调用中重现输出。

deepbool，默认值=True

是否设置 skbase 对象值参数（即组件评估器）中的随机状态。

如果为 False，将仅设置 self 的 random_state 参数（如果存在）。
如果为 True，也将设置组件对象中的 random_state 参数。

self_policystr, 其中之一 {"copy", "keep", "new"}, 默认值="copy"

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

从输入的 random_state 导出，并且通常与输入不同。

返回:

self对 self 的引用

set_tags(**tag_dict)[source]#

将实例级标签覆盖设置为给定值。

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

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，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__ 直接在构造后调用。

当前标签值可以通过 get_tags 或 get_tag 查看。

参数:

**tag_dictdict: 标签名: 标签值对的字典。

返回:

Self: 对 self 的引用。

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

更新截止点值，并且可选地更新已拟合参数。

如果没有实现特定于评估器的更新方法，则默认回退如下：

update_params=True：拟合到目前为止观测到的所有数据

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。

访问自身中的属性

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:

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 中的各种数据格式被称为 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), list 包含 Series 类型的 pd.DataFrame
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 (默认值=None)。

用于更新模型拟合的外生时间序列。其数据类型 (Series, Panel, 或 Hierarchical) 应与 y 的数据类型相同。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)

模型参数是否应该更新。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)[source]#

在测试集上迭代更新模型并进行预测。

此方法是执行多次 update / predict 链式操作的简写，数据回放基于时间分割器 cv。

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() （稍后批量返回）
self.update(y=cv.split_series(y)[1][0])
记住 self.predict() （稍后批量返回）
等等
返回所有记住的预测值

如果没有实现特定于评估器的更新方法，则默认回退如下：

update_params=True：拟合到目前为止观测到的所有数据

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。

访问自身中的属性

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，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 中的各种数据格式被称为 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), list 包含 Series 类型的 pd.DataFrame
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；默认值为 ExpandingWindowSplitter，其 initial_window=1，默认行为为 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。其数据类型 (Series, Panel, 或 Hierarchical) 应与 fit 中 y 的数据类型相同。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_params布尔值，可选 (默认值=True)

模型参数是否应该更新。如果为 False，则仅更新截止点，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，则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、数据内存不改变。
如果为 False，则在运行 update/predict 序列时将更新 self，就像直接调用 update/predict 一样。

返回:

y_pred汇集来自多个分割批次的点预测的对象

格式取决于总体预测的 (截止点, 绝对预测视界) 对。

如果绝对预测视界点的集合是唯一的：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 数据类型，相同的格式（参见上文）。
如果绝对预测视界点的集合不是唯一的：类型是 pandas DataFrame，其行索引和列索引是时间戳。行索引对应于用于预测的截止点，列索引对应于预测的绝对预测视界。条目是根据行索引预测的列索引的点预测。如果在该 (截止点, 预测视界) 对处没有预测，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。

此方法对于在单个步骤中更新和进行预测非常有用。

如果没有实现特定于评估器的更新方法，则默认回退是先更新，然后预测。

所需状态: 要求状态为“已拟合”。
访问自身中的属性: 以“_”结尾的已拟合模型属性。指向已见数据：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:

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 中的各种数据格式被称为 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), list 包含 Series 类型的 pd.DataFrame
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, pd.Index 可强制转换类型，或 ForecastingHorizon，默认值=None

预测视界，编码了要预测的时间戳。如果已在 fit 中传入，则不应再次传入。如果未在 fit 中传入，则必须传入，不可选。

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。其数据类型 (Series, Panel, 或 Hierarchical) 应与 fit 中 y 的数据类型相同。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_params布尔值，可选 (默认值=True)

模型参数是否应该更新。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_predsktime 兼容数据容器格式的时间序列: 在 fh 的点预测，索引与 fh 相同。y_pred 与最近传递的 y 具有相同类型：Series, Panel, Hierarchical scitype，格式相同（见上文）