PluginParamsForecaster#

class PluginParamsForecaster(param_est, forecaster, params=None, update_params=False)[source]#

将参数估计器的参数插入到预测器中。

在 fit 方法中，首先将 param_est 拟合到传入的数据上

fit 方法的 y 参数作为第一个参数传递给 param_est.fit
如果 param_est.fit 方法有第二个参数，则 fit 方法的 X 参数作为第二个参数传递
如果 param_est.fit 方法的剩余参数中有 fh，则 fit 方法的 fh 参数将作为 fh 传递

然后，使用所需/选定的参数调用 forecaster.set_params。已拟合的 param_est 的参数将传递给 forecaster，源/目标参数对由 self 的 params 参数指定，详见下文。

接着，将 forecaster 拟合到 fit 中传入的数据上。

此后，行为与设置了这些参数的 forecaster 完全相同。update 行为由 update_params 参数控制。

示例：使用 param_est 进行季节性测试以确定 sp 参数；forecaster 是一个带有 sp 参数的预测器，例如 ExponentialSmoothing。

参数:

param_estsktime 估计器对象，具有 fit 方法，继承自 BaseEstimator: 例如，继承自 BaseParamFitter 或 forecaster 的估计器，这是一个“蓝图”估计器，调用 fit 时其状态不会改变
forecastersktime 预测器，即继承自 BaseForecaster 的估计器: 这是一个“蓝图”估计器，调用 fit 时其状态不会改变
paramsNone, str, str 列表, 包含 str 值/键的 dict, 可选, 默认为 None: 确定 param_est 中的哪些参数将插入到 forecaster 中。 None: param_est 的所有参数都将插入到 forecaster 中，仅插入 forecaster 和 param_est 中都存在的参数 str 列表: 列表中的参数将插入到同名参数中，仅插入 forecaster 和 param_est 中都存在的参数 str: 被视为一个包含单个字符串元素的 str 列表 dict: 名称为值的参数将插入到名称为键的参数中，仅插入 param_est 中存在键且 forecaster 中存在值的参数
update_paramsbool, 可选, 默认为 False: 在 self.update 中是否更新由 param_est_ 拟合的参数

属性:

param_est_sktime 参数估计器，是 param_est 中估计器的克隆: 调用 fit 时，此克隆将在 pipeline 中进行拟合
forecaster_sktime 预测器，是 forecaster 的克隆: 调用 fit 时，此克隆将在 pipeline 中进行拟合
param_map_dict: 在 fit 中使用的从 param_est_ 到 forecaster_ 的参数映射，过滤掉仅存在于其中一个的参数后

示例

>>> from sktime.datasets import load_airline
>>> from sktime.forecasting.naive import NaiveForecaster
>>> from sktime.param_est.plugin import PluginParamsForecaster
>>> from sktime.param_est.seasonality import SeasonalityACF
>>> from sktime.transformations.series.difference import Differencer
>>>
>>> y = load_airline()  
>>>
>>> # sp_est is a seasonality estimator
>>> # ACF assumes stationarity so we concat with differencing first
>>> sp_est = Differencer() * SeasonalityACF()  
>>>
>>> # fcst is a forecaster with a "sp" parameter which we want to tune
>>> fcst = NaiveForecaster()  
>>>
>>> # sp_auto is auto-tuned via PluginParamsForecaster
>>> sp_auto = PluginParamsForecaster(sp_est, fcst)  
>>>
>>> # fit sp_auto to data, predict, and inspect the tuned sp parameter
>>> sp_auto.fit(y, fh=[1, 2, 3])  
PluginParamsForecaster(...)
>>> y_pred = sp_auto.predict()  
>>> sp_auto.forecaster_.get_params()["sp"]  
12
>>> # shorthand ways to specify sp_auto, via dunder, does the same
>>> sp_auto = sp_est * fcst  
>>> # or entire pipeline in one go
>>> sp_auto = Differencer() * SeasonalityACF() * NaiveForecaster()  

使用字典将“foo”参数插入到“sp”中

>>> from sktime.param_est.fixed import FixedParams
>>> sp_plugin = PluginParamsForecaster(
...     FixedParams({"foo": 12}), NaiveForecaster(), params={"sp": "foo"}
... )  

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])	将其他对象的标签克隆为动态覆盖。
`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以及它们的名称列表。
`fit`(y[, X, fh])	将预测器拟合到训练数据。
`fit_predict`(y[, X, fh, X_pred])	拟合并预测未来范围的时间序列。
`get_class_tag`(tag_name[, tag_value_default])	从类中获取类标签值，带有父类的标签级别继承。
`get_class_tags`()	从类中获取类标签，带有父类的标签级别继承。
`get_config`()	获取 self 的配置标志。
`get_fitted_params`([deep])	获取已拟合参数。
`get_param_defaults`()	获取对象的参数默认值。
`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 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])	预测未来范围的时间序列。
`predict_interval`([fh, X, coverage])	计算/返回预测区间预测。
`predict_proba`([fh, X, marginal])	计算/返回完全概率预测。
`predict_quantiles`([fh, X, alpha])	计算/返回分位数预测。
`predict_residuals`([y, X])	返回时间序列预测的残差。
`predict_var`([fh, X, cov])	计算/返回方差预测。
`reset`()	将对象重置到干净的初始化后状态。
`save`([path, serialization_format])	将序列化的 self 保存到 bytes-like 对象或 (.zip) 文件。
`score`(y[, X, fh])	使用 MAPE (非对称) 评估预测相对于真实值的分数。
`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])	更新截断值，以及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])	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, 默认为“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" 集。目前没有为 forecaster 定义保留值。

返回值:

paramsdict 或 dict 列表, 默认为 {}: 用于创建类测试实例的参数。每个 dict 都是用于构建“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。

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 异常。

参数:

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

抛出:

NotFittedError: 如果估计器尚未拟合。

clone()[source]#

获取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不同对象。此函数等同于返回 sklearn.clone 的 self。

等同于构造 type(self) 的一个新实例，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，等同于调用 cloned_self.set_config(**self.get_config())。

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

抛出:

如果由于错误的 __init__ 方法导致克隆不符合规范，则会引发 RuntimeError。

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

将其他对象的标签克隆为动态覆盖。

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，它们是对象构造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__ 方法中调用，即在构造期间，或直接在通过 __init__ 构造之后调用。

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

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 进行检查。

参数:

estimator:class:BaseObject 或其派生类的一个实例
tag_namesstr 或 str 列表, 默认为 None: 要克隆的标签名称。默认值 (None) 克隆 estimator 中的所有标签。

返回值:

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, 默认为“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，则将返回 “default” 集。

返回值:

instance具有默认参数的类的实例

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

创建所有测试实例的列表以及它们的名称列表。

参数:

parameter_setstr, 默认为“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，则将返回 “default” 集。

返回值:

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]#

截断点 = 预测器的“当前时间”状态。

返回值:

cutoffpandas 兼容的索引元素，或 None: 如果已设置截断点，则为 pandas 兼容的索引元素；否则为 None

property fh[source]#: 已传入的预测范围。

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，已拟合属性可通过 get_fitted_params 检查。

将 self.is_fitted 标志设置为 True。

将 self.cutoff 设置为在 y 中看到的最后一个索引。

如果传入了 fh，则将 fh 存储到 self.fh。

参数:

y采用 sktime 兼容数据容器格式的时间序列。

用于拟合预测器的时间序列。

sktime 中的单个数据格式是所谓的 mtype 规范，每种 mtype 实现一个抽象 scitype。

Series scitype = 单个时间序列，简单预测。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 具有两级行 MultiIndex (instance, time), 3D np.ndarray (instance, variable, time), 或 list 的 Series 类型 pd.DataFrame
Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 具有三级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅 mtype 的术语表。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, 默认为 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 中传入，不可选

X采用 sktime 兼容格式的时间序列，可选 (默认为 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") 为真，则 X.index 必须包含 y.index。

返回值:

self对 self 的引用。

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

拟合并预测未来范围的时间序列。

与 fit(y, X, fh).predict(X_pred) 相同。如果未传入 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，已拟合属性可通过 get_fitted_params 检查。

将 self.is_fitted 标志设置为 True。

将 self.cutoff 设置为在 y 中看到的最后一个索引。

将 fh 存储到 self.fh。

参数:

y采用 sktime 兼容数据容器格式的时间序列

用于拟合预测器的时间序列。

sktime 中的单个数据格式是所谓的 mtype 规范，每种 mtype 实现一个抽象 scitype。

Series scitype = 单个时间序列，简单预测。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 具有两级行 MultiIndex (instance, time), 3D np.ndarray (instance, variable, time), 或 list 的 Series 类型 pd.DataFrame
Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 具有三级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅 mtype 的术语表。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 (不可选)

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 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) 进行强制转换

X采用 sktime 兼容格式的时间序列，可选 (默认为 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") 为真，则 X.index 必须包含 y.index。

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

用于预测的外生时间序列。如果传入，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") 为真，则 X.index 必须包含 fh 索引参考。

返回值:

y_pred采用 sktime 兼容数据容器格式的时间序列: 在 fh 上的点预测，与 fh 具有相同的索引。y_pred 的类型与最近传入的 y 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)[source]#

从类中获取类标签值，带有父类的标签级别继承。

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，它在只考虑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，考虑了标签覆盖，优先级从高到低如下：

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。

返回值:

tag_value: self 中名称为 tag_name 的标签的值。如果未找到，则返回 tag_value_default。

classmethod get_class_tags()[source]#

从类中获取类标签，带有父类的标签级别继承。

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，它们是对象构造后不会改变的静态标志。

get_class_tags 方法是一个类方法，它在只考虑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 _tags 属性的任何键。

值是相应的标签值，覆盖优先级从高到低如下：

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。

若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。不会被通过 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()[source]#

获取 self 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，这些配置会覆盖默认配置。

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

配置在 clone 或 reset 调用下保留。

返回值:

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。

所需状态: 需要状态为“已拟合”。

参数:

deepbool, 默认为 True

是否返回组件的已拟合参数。

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

返回值:

fitted_params键为 str 类型的 dict

已拟合参数的字典，paramname : paramvalue 键值对包括

始终：此对象的所有已拟合参数，如同通过 get_param_names 获得的参数值是该键对应的此对象的已拟合参数值
如果 deep=True，还包含组件参数的键值对组件的参数索引为 [componentname]__[paramname] componentname 的所有参数都以 paramname 的形式出现，带有其值
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()[source]#

获取对象的参数默认值。

返回值:

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, 默认为 True: 是按字母顺序返回参数名称 (True)，还是按它们在类 __init__ 中出现的顺序返回 (False)。

返回值:

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, 默认为 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 : 值的 dict，包括组件 (= BaseObject 类型值的参数) 的参数。
如果为 False，将返回此对象的参数名称 : 值的 dict，但不包括组件的参数。

返回值:

params键为 str 类型的 dict

参数字典，paramname : paramvalue 键值对包括

始终：此对象的所有参数，如同通过 get_param_names 获得的参数值是该键对应的此对象的参数值，值始终与构造时传入的值相同
如果 deep=True，还包含组件参数的键值对组件的参数索引为 [componentname]__[paramname] componentname 的所有参数都以 paramname 的形式出现，带有其值
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)[source]#

从实例获取标签值，带有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，它们是对象构造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，优先级从高到低如下：

通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构造时。

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

返回值:

tag_valueAny: self 中名称为 tag_name 的标签的值。如果未找到，且 raise_error 为 True，则引发错误，否则返回 tag_value_default。

抛出:

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

get_tags()[source]#

从实例获取标签，带有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，它们是对象构造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 属性的任何键，或通过 set_tags 或 clone_tags 设置的标签。

值是相应的标签值，覆盖优先级从高到低如下：

通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构造时。

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。

返回值:

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 BaseObject 组成。

复合对象是一个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。

返回值:

composite: bool: 对象是否有任何参数的值是 BaseObject 的后代实例。

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。

返回值:

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

返回值:

反序列化 self 得到的结果在 path 处，是 cls.save(path) 的输出

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1个元素

返回值:

反序列化 self，得到 cls.save(None) 输出的 serial。

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

预测未来范围的时间序列。

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

访问 self 中的以下属性：

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self: 如果传入了 fh 且之前未传入过，则将 fh 存储到 self.fh。

参数:

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

预测期，编码了要预测的时间点。如果已在 fit 中传入，则不应再次传入。如果在 fit 中未传入，则必须传入，不是可选参数。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则通过调用 _check_fh 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) 进行强制转换

Xsktime 兼容格式的时间序列，可选 (default=None)

用于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 的索引参考。

返回值:

y_pred采用 sktime 兼容数据容器格式的时间序列: 在 fh 上的点预测，与 fh 具有相同的索引。y_pred 的类型与最近传入的 y 类型相同: 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，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 self 中的以下属性：

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self: 如果传入了 fh 且之前未传入过，则将 fh 存储到 self.fh。

参数:

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

预测期，编码了要预测的时间点。如果已在 fit 中传入，则不应再次传入。如果在 fit 中未传入，则必须传入，不是可选参数。

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

如果 fh 是 int 或 int 的 array-like 对象，则解释为相对预测期，并强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则解释为绝对预测期，并强制转换为绝对的 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 的索引参考。

coveragefloat 或包含唯一值的 float 列表，可选 (default=0.90)

预测区间(s) 的名义覆盖率

返回值:

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分数。: 顺序与输入 coverage 中的顺序相同。

第三级是字符串“lower”或“upper”，表示区间的下限/上限。

行索引是 fh，如果 fit 中看到的 y 是 Panel 或 Hierarchical 类型，则包含等于实例级别的附加（上层）级别。

（无翻译，原文本似乎有误，直接跳过）

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。下限/上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)[source]#

计算/返回完全概率预测。

注意

目前仅针对 Series（非 panel，非 hierarchical）y 实现。
需要安装 skpro 才能返回分布对象。

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

访问 self 中的以下属性：

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self: 如果传入了 fh 且之前未传入过，则将 fh 存储到 self.fh。

参数:

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

预测期，编码了要预测的时间点。如果已在 fit 中传入，则不应再次传入。如果在 fit 中未传入，则必须传入，不是可选参数。

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

如果 fh 是 int 或 int 的 array-like 对象，则解释为相对预测期，并强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则解释为绝对预测期，并强制转换为绝对的 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 的索引参考。

marginalbool，可选 (default=True)

返回的分布是否按时间索引是边际分布

返回值:

pred_distskpro BaseDistribution: 如果 marginal=True，则是预测分布；如果 marginal=False 且方法已实现，则按时间点是边际分布；否则是联合分布。

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，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 self 中的以下属性：

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self: 如果传入了 fh 且之前未传入过，则将 fh 存储到 self.fh。

参数:

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

预测期，编码了要预测的时间点。如果已在 fit 中传入，则不应再次传入。如果在 fit 中未传入，则必须传入，不是可选参数。

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

如果 fh 是 int 或 int 的 array-like 对象，则解释为相对预测期，并强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则解释为绝对预测期，并强制转换为绝对的 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 的索引参考。

alphafloat 或包含唯一值的 float 列表，可选 (default=[0.05, 0.95])

计算分位数预测的概率值或概率列表。

返回值:

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，如果 fit 中看到的 y 是 Panel 或 Hierarchical 类型，则包含等于实例级别的附加（上层）级别。: （无翻译，原文本似乎有误，直接跳过）
条目是分位数预测值，对应于列索引中的变量，: 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)[source]#

返回时间序列预测的残差。

将计算在 y.index 处预测值的残差。

如果 fh 必须在 fit 中传入，则必须与 y.index 一致。如果 y 是一个 np.ndarray，并且在 fit 中没有传入 fh，则残差将在 range(len(y.shape[0])) 的 fh 处计算。

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

参数:

y采用 sktime 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 预期的返回类型、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

如果之前只有一次 fit 调用，则产生样本内残差
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 的索引参考和 y.index。

返回值:

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 与最近传入的 y 类型相同：Series, Panel, Hierarchical 科学类型，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 self 中的以下属性：

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self: 如果传入了 fh 且之前未传入过，则将 fh 存储到 self.fh。

参数:

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

预测期，编码了要预测的时间点。如果已在 fit 中传入，则不应再次传入。如果在 fit 中未传入，则必须传入，不是可选参数。

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

如果 fh 是 int 或 int 的 array-like 对象，则解释为相对预测期，并强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则解释为绝对预测期，并强制转换为绝对的 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 的索引参考。

covbool，可选 (default=False)

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

返回值:

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。: 对于无名格式，列索引将是 RangeIndex。
行索引是 fh，包含等于实例级别的附加级别，: （无翻译，原文本似乎有误，直接跳过）

条目是方差预测值，对应于列索引中的变量。给定变量和 fh 索引的方差预测是在给定观测数据下，该变量和索引的预测方差。

（无翻译，原文本似乎有误，直接跳过）

如果 cov=True

列索引是多重索引：第一级是变量名（如上文）: 第二级是 fh。
行索引是 fh，包含等于实例级别的附加级别，: （无翻译，原文本似乎有误，直接跳过）
条目是（协）方差预测值，对应于列索引中的变量，以及: 行索引和列索引中时间索引之间的协方差。

注意：不返回不同变量之间的协方差预测。

reset()[source]#

将对象重置到干净的初始化后状态。

将 self 设置为构造函数调用后直接所处的状态，保持相同的超参数。set_config 设置的配置值也会保留。

一个 reset 调用会删除所有对象属性，除了

超参数 = __init__ 的参数并写入到 self，例如 self.paramname，其中 paramname 是 __init__ 的参数。
包含双下划线字符串“__”的对象属性。例如，名为“__myattr”的属性会保留。
config 属性，config 会保留不变。也就是说，reset 前后 get_config 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，但区别在于 reset 修改 self 而非返回新对象。

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。

返回值:

self: 类实例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 self 保存到 bytes-like 对象或 (.zip) 文件。

行为：如果 path 为 None，则返回一个内存中的序列化 self；如果 path 是文件位置，则将 self 存储在该位置作为一个 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 self。此类别使用默认序列化 (pickle)。

参数:

pathNone 或文件位置 (str 或 Path)

如果为 None，则将 self 保存到内存中的对象；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一个 zip 文件 estimator.zip。
path="/home/stored/estimator"，则会在 /home/stored/ 中存储一个 zip 文件 estimator.zip。

（无翻译，原文本似乎有误，直接跳过）

serialization_format: str, default = “pickle”

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

返回值:

如果 path 为 None - 内存中的序列化 self
如果 path 是文件位置 - 引用该文件的 ZipFile

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

使用 MAPE (非对称) 评估预测相对于真实值的分数。

参数:

ypd.Series, pd.DataFrame, 或 np.ndarray (1D 或 2D): 用于评分的时间序列
fhint, list, 可强制转换为 pd.Index, 或 ForecastingHorizon, 默认为 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): 用于评分的外生时间序列。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 y.index。

返回值:

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

配置名称：配置值对的字典。有效的 config、值及其含义如下所述：

displaystr，“diagram”（默认），或“text”

jupyter kernel 如何显示 self 的实例

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

print_changed_onlybool, default=True

打印 self 时是否仅列出与默认值不同的参数（True），或列出所有参数名和值（False）。不嵌套，即仅影响 self，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, default=”None”

广播/向量化时用于并行的后端，选项之一：

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

backend:parallel:paramsdict, 可选, default={} (未传递参数)

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”: 无额外参数，backend_params 被忽略
“loky”, “multiprocessing” 和 “threading”: 默认 joblib 后端。这里可以传递 joblib.Parallel 的任何有效键，例如 n_jobs，但 backend 除外，它由 backend 直接控制。如果未传递 n_jobs，则默认为 -1，其他参数将使用 joblib 默认值。
“joblib”: 自定义和第三方 joblib 后端，例如 spark。这里可以传递 joblib.Parallel 的任何有效键，例如 n_jobs。backend 在这种情况下必须作为 backend_params 的一个键传递。如果未传递 n_jobs，则默认为 -1，其他参数将使用 joblib 默认值。
“dask”: 可以传递 dask.compute 的任何有效键，例如 scheduler。
“ray”: 可以传递以下键：
- “ray_remote_args”: ray.init 的有效键字典
- “shutdown_ray”: bool, default=True; False 防止 ray 在并行化后关闭。
  （无翻译，原文本似乎有误，直接跳过）
- “logger_name”: str, default=”ray”; 要使用的 logger 名称。
- “mute_warnings”: bool, default=False; 如果为 True，则抑制警告。

remember_databool, default=True

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

返回值:

self指向 self 的引用。

注意

更改对象状态，将 config_dict 中的 config 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> 也可使用，如果这样能明确引用，例如，没有两个组件参数的名称都是 <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。

返回值:

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 self 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 通过链式哈希采样，并保证伪随机生成器的伪随机独立性。

根据 self_policy，应用于 self 中的 random_state 参数，当且仅当 deep=True 时，应用于剩余的组件对象。

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 可在多次函数调用中获得可重复输出。

deepbool, 默认为 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，则也会设置组件对象中的 random_state 参数。

self_policystr，{“copy”, “keep”, “new”} 之一，default=”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 派生，通常与它不同。

返回值:

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，它们是静态标志，对象构造后不会更改。它们可用于元数据检查或控制对象行为。

set_tags 将动态标签覆盖设置为 tag_dict 中指定的值，其中键是标签名称，字典值是要设置的标签值。

set_tags 方法应仅在对象的 __init__ 方法中（构造期间）或构造后直接通过 __init__ 调用。

当前标签值可以通过 get_tags 或 get_tag 进行检查。

参数:

**tag_dictdict: 标签名：标签值对的字典。

返回值:

Self: 指向 self 的引用。

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

更新截断值，以及可选地更新已拟合参数。

如果没有实现特定于估计器的 update 方法，默认回退如下：

update_params=True：拟合到目前为止所有观测到的数据

update_params=False：仅更新截止点并记住数据

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

访问 self 中的以下属性：

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:

y采用 sktime 兼容数据容器格式的时间序列。

用于更新预测器的时间序列。

sktime 中的单个数据格式是所谓的 mtype 规范，每种 mtype 实现一个抽象 scitype。

Series scitype = 单个时间序列，简单预测。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 具有两级行 MultiIndex (instance, time), 3D np.ndarray (instance, variable, time), 或 list 的 Series 类型 pd.DataFrame
Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 具有三级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

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

X采用 sktime 兼容格式的时间序列，可选 (默认为 None)。

用于更新模型拟合的外生时间序列。应与 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_paramsbool，可选 (default=True)

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

返回值:

self指向 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。

执行多次 update / predict 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、cv 非默认）：

self.update(y=cv.split_series(y)[0][0])
记住 self.predict()（稍后以单批次返回）
self.update(y=cv.split_series(y)[1][0])
记住 self.predict()（稍后以单批次返回）
等等
返回所有记住的预测

如果没有实现特定于估计器的 update 方法，默认回退如下：

update_params=True：拟合到目前为止所有观测到的数据

update_params=False：仅更新截止点并记住数据

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

访问 self 中的以下属性：

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:

y采用 sktime 兼容数据容器格式的时间序列。

用于更新预测器的时间序列。

sktime 中的单个数据格式是所谓的 mtype 规范，每种 mtype 实现一个抽象 scitype。

Series scitype = 单个时间序列，简单预测。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 具有两级行 MultiIndex (instance, time), 3D np.ndarray (instance, variable, time), 或 list 的 Series 类型 pd.DataFrame
Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 具有三级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

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

cv继承自 BaseSplitter 的时间序列交叉验证生成器，可选

例如，SlidingWindowSplitter 或 ExpandingWindowSplitter；默认值 = 具有 initial_window=1 的 ExpandingWindowSplitter 和默认值 = y/X 中的单个数据点被逐个添加和预测，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 的索引参考。

update_paramsbool，可选 (default=True)

是否更新模型参数。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，则不会更改预测器的状态，即 update/predict 序列在副本上运行，self 的截止点、模型参数、数据内存不发生变化
如果为 False，则 update/predict 序列运行时会更新 self，就像直接调用 update/predict 一样

返回值:

y_pred汇总多个分割批次点预测的对象

格式取决于预测的（截止点，绝对预测期）对的集合

如果绝对预测点集合是唯一的：类型是 sktime 兼容数据容器格式的时间序列，输出中省略了截止点，与最近传入的 y 类型相同：Series, Panel, Hierarchical 科学类型，格式相同（见上文）
如果绝对预测点集合不唯一：类型是一个 pandas DataFrame，行索引和列索引都是时间戳，行索引对应于从中进行预测的截止点，列索引对应于进行预测的绝对预测期，条目是该（截止点，预测期）对的点预测值，如果在该对处没有进行预测，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。

此方法用于在一个步骤中更新并进行预测。

如果没有实现特定于估计器的 update 方法，默认的回退操作是先 update，然后 predict。

所需状态: 需要状态为“已拟合”。
访问 self 中的以下属性：: 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，则还有以“_”结尾的模型属性。
写入 self: 通过追加行的方式，用 y 和 X 更新 self._y 和 self._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:

y采用 sktime 兼容数据容器格式的时间序列。

用于更新预测器的时间序列。

sktime 中的单个数据格式是所谓的 mtype 规范，每种 mtype 实现一个抽象 scitype。

Series scitype = 单个时间序列，简单预测。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 具有两级行 MultiIndex (instance, time), 3D np.ndarray (instance, variable, time), 或 list 的 Series 类型 pd.DataFrame
Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 具有三级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅 mtype 的术语表。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, 默认为 None

预测期，编码了要预测的时间点。如果已在 fit 中传入，则不应再次传入。如果在 fit 中未传入，则必须传入，不是可选参数。

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 的索引参考。

update_paramsbool，可选 (default=True)

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

返回值:

y_pred采用 sktime 兼容数据容器格式的时间序列: 在 fh 上的点预测，与 fh 具有相同的索引。y_pred 的类型与最近传入的 y 类型相同: Series, Panel, Hierarchical scitype, 格式相同 (见上文)