UnobservedComponents#

class UnobservedComponents(level=False, trend=False, seasonal=None, freq_seasonal=None, cycle=False, autoregressive=None, irregular=False, stochastic_level=False, stochastic_trend=False, stochastic_seasonal=True, stochastic_freq_seasonal=None, stochastic_cycle=False, damped_cycle=False, cycle_period_bounds=None, mle_regression=True, use_exact_diffuse=False, start_params=None, transformed=True, includes_fixed=False, cov_type=None, cov_kwds=None, method='lbfgs', maxiter=50, full_output=1, disp=0, callback=None, return_params=False, optim_score=None, optim_complex_step=None, optim_hessian=None, flags=None, low_memory=False, random_state=None)[源代码][源代码]#

statsmodels 中的 UnobservedComponents 预测模型。

从 statsmodels.tsa.statespace.structural 直接访问 UnobservedComponents。

输入参数和文档字符串取自原始实现。

参数:

级别{bool, str}, 可选

是否包含一个级别组件。默认是 False。也可以是一个级别/趋势组件的字符串说明。

趋势bool, 可选

是否包含趋势成分。默认是 False。如果为 True，level 也必须为 True。

季节性{int, None}, 可选

季节性成分的周期，如果有的话。默认是 None。

freq_seasonal{list[dict], None}, 可选。

是否（以及如何）使用三角函数对季节性成分进行建模。如果指定，每个频率域季节性成分都有一个字典。每个字典必须有一个键值对 ‘period’ – 整数，并且可能有一个键值对 ‘harmonics’ – 整数。如果在任何字典中未指定 ‘harmonics’，则默认为 period/2 的向下取整值。

循环bool, 可选

是否包含周期性成分。默认为 False。

自回归{int, None}, 可选

自回归组件的顺序。默认是 None。

不规则bool, 可选

是否包含不规则成分。默认是 False。

stochastic_levelbool, 可选

是否任何级别的组件是随机的。默认是 False。

随机趋势bool, 可选

是否存在任何趋势成分是随机的。默认是 False。

stochastic_seasonalbool, 可选

是否存在任何季节性成分是随机的。默认值为 True。

stochastic_freq_seasonallist[bool], 可选

每个季节性成分是否是（或都是）随机的。默认情况下，每个成分都是 True。列表的长度应与 freq_seasonal 相同。

随机循环bool, 可选

是否任何循环组件是随机的。默认是 False。

阻尼循环bool, 可选

循环组件是否被阻尼。默认是 False。

cycle_period_boundstuple, 可选

周期允许的下限和上限的元组。如果未提供，则使用以下默认边界：(1) 如果没有提供日期/时间信息，频率被限制在零和 \(\pi\) 之间，因此周期被限制在 [0.5, 无穷大] 之间。(2) 如果提供了日期/时间信息，默认边界允许周期性成分在1.5到12年之间；根据内生变量的频率，这将意味着不同的具体边界。

mle_回归bool, 可选

是否通过最大似然估计回归系数作为超参数之一。默认为 True。如果为 False，则通过状态向量中的递归 OLS 估计回归系数。

use_exact_diffusebool, 可选

是否对非平稳状态使用精确的扩散初始化。默认是 False（在这种情况下使用近似的扩散初始化）。

start_paramsarray_like, 可选

对对数似然最大化解决方案的初始猜测。

转换后的bool, 可选

start_params 是否已经转换。默认是 True。

includes_fixedbool, 可选

如果参数之前已经用 fix_params 方法固定，此参数描述 start_params 是否也包括固定参数，除了自由参数之外。默认是 False。

cov_typestr, 可选

cov_type 关键字控制计算参数估计协方差矩阵的方法。可以是以下之一： - ‘opg’ 表示梯度估计器的外积 - ‘oim’ 表示观察到的信息矩阵估计器，计算

使用Harvey（1989）的方法

‘approx’ 用于观测信息矩阵估计器，
使用 Hessian 矩阵的数值近似计算。
‘robust’ 用于近似（准最大似然）协方差
即使在存在一些错误指定的情况下，矩阵也可能是有效的。中间计算使用 ‘oim’ 方法。
‘robust_approx’ 与 ‘robust’ 相同，除了
中间计算使用 ‘approx’ 方法。
‘none’ 表示不进行协方差矩阵计算。

默认值为 ‘opg’，除非使用内存保护措施来避免为每个观测值计算对数似然值，在这种情况下，默认值为 ‘approx’。

cov_kwds字典或无，可选

影响协方差矩阵计算的参数字典。opg, oim, approx, robust, robust_approx - ‘approx_complex_step’ : bool, 可选 - 如果为 True，数值

近似值使用复步法计算。如果为 False，则使用有限差分法计算数值近似值。默认为 True。

‘approx_centered’bool, 可选 - 如果为 True，数值
使用有限差分方法计算的近似值使用中心近似。默认为False。

方法str, 可选

method 决定了从 scipy.optimize 中使用哪个求解器，可以从以下字符串中选择： - ‘newton’ 用于牛顿-拉夫森法 - ‘nm’ 用于Nelder-Mead法 - ‘bfgs’ 用于Broyden-Fletcher-Goldfarb-Shanno (BFGS) 法 - ‘lbfgs’ 用于带可选边界约束的有限内存BFGS法 - ‘powell’ 用于改进的Powell法 - ‘cg’ 用于共轭梯度法 - ‘ncg’ 用于牛顿共轭梯度法 - ‘basinhopping’ 用于全局盆地跳跃求解器 fit 中的显式参数会传递给求解器，但盆地跳跃求解器除外。每个求解器都有几个可选参数，这些参数在求解器之间并不相同。请参阅下面的注释部分（或 scipy.optimize）以获取可用参数以及盆地跳跃求解器支持的显式参数列表。

maxiterint, 可选

要执行的最大迭代次数。

完整输出bool, 可选

设置为 True 以在 Results 对象的 mle_retvals 属性中包含所有可用的输出。输出内容取决于求解器。更多信息请参见 LikelihoodModelResults 注释部分。

dispbool, 可选

设置为 True 以打印收敛消息。默认值为 0。

回调可调用的回调函数(xk)，可选

在每次迭代后调用，作为回调函数(xk)，其中 xk 是当前的参数向量。

return_paramsbool, 可选

是否只返回最大化参数的数组。默认是 False。

optim_score{‘harvey’, ‘approx’} 或 None, 可选

计算得分向量的方法。’harvey’ 使用 Harvey (1989) 的方法，’approx’ 根据 optim_complex_step 的值使用有限差分或复步微分，None 使用优化器的内置梯度近似。默认是 None。此关键字仅在使用得分的情况下与优化方法相关。

optim_complex_stepbool, 可选

在近似得分时是否使用复杂的步长微分；如果为 False，则使用有限差分近似。默认值为 True。此关键字仅在 optim_score 设置为 ‘harvey’ 或 ‘approx’ 时相关。

optim_hessian{‘opg’,’oim’,’approx’}, 可选

数值近似Hessian矩阵的方法。’opg’ 使用梯度的外积，’oim’ 使用Harvey（1989）的信息矩阵公式，’approx’ 使用数值近似。此关键字仅在与优化方法使用Hessian矩阵相关时有效。

低内存bool, 可选

如果设置为 True，将应用技术来大幅减少内存使用。如果使用此选项，结果对象的某些功能将不可用（包括平滑结果和样本内预测），尽管样本外预测是可能的。默认值为 False。

random_stateint, RandomState 实例或 None, 可选,

default=None - 如果为整数，random_state 是随机数生成器使用的种子；如果为 RandomState 实例，random_state 是随机数生成器；如果为 None，随机数生成器是 np.random 使用的 RandomState 实例。

属性:

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

参见

statsmodels.tsa.statespace.structural.UnobservedComponents
statsmodels.tsa.statespace.structural.UnobservedComponentsResults

参考文献

[1]

Seabold, Skipper, 和 Josef Perktold. “statsmodels: 使用Python进行计量经济学和统计建模。” 第九届Python科学会议论文集。2010年。

[2]

Durbin, James, 和 Siem Jan Koopman. 2012. 《状态空间方法的时间序列分析：第二版》. 牛津大学出版社.

示例

>>> from sktime.datasets import load_airline
>>> from sktime.forecasting.structural import UnobservedComponents
>>> y = load_airline()
>>> forecaster = UnobservedComponents(level='local linear trend')  
>>> forecaster.fit(y)  
UnobservedComponents(...)
>>> y_pred = forecaster.predict(fh=[1, 2, 3])  

方法

`check_is_fitted`()	检查估计器是否已被拟合。
`clone`()	获取一个具有相同超参数的对象副本。
`clone_tags`(estimator[, tag_names])	从另一个估计器克隆标签作为动态覆盖。
`create_test_instance`([parameter_set])	如果可能，构造 Estimator 实例。
`create_test_instances_and_names`([parameter_set])	创建所有测试实例的列表及其名称的列表。
`fit`(y[, X, fh])	将预测器拟合到训练数据。
`fit_predict`(y[, X, fh, X_pred])	在未来的时间范围内拟合和预测时间序列。
`get_class_tag`(tag_name[, tag_value_default])	获取类标签的值。
`get_class_tags`()	从类及其所有父类中获取类标签。
`get_config`()	获取 self 的配置标志
`get_fitted_params`([deep])	获取拟合参数。
`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, ...])	从估计器类获取标签值并动态覆盖标签。
`get_tags`()	从估计器类和动态标签覆盖中获取标签。
`get_test_params`([parameter_set])	返回估计器的测试参数设置。
`is_composite`()	检查对象是否由其他 BaseObjects 组成。
`load_from_path`(serial)	从文件位置加载对象。
`load_from_serial`(serial)	从序列化的内存容器中加载对象。
`plot_diagnostics`([variable, lags, fig, ...])	标准化残差的诊断图。
`predict`([fh, X])	预测未来时间范围内的时序数据。
`predict_interval`([fh, X, coverage])	计算/返回预测区间预测。
`predict_proba`([fh, X, marginal])	计算/返回完全概率性的预测。
`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`()	将对象重置为初始化后的干净状态。
`save`([path, serialization_format])	将序列化的自身保存到类字节对象或 (.zip) 文件中。
`score`(y[, X, fh])	使用 MAPE（非对称）对地面实况进行分数预测。
`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, ...])	设置 random_state 伪随机种子参数为 self。
`set_tags`(**tag_dict)	将动态标签设置为给定值。
`simulate`(nsimulations[, X, ...])	模拟一个遵循状态空间模型的新时间序列。
`summary`()	获取拟合预测器的摘要。
`update`(y[, X, update_params])	更新截止值，并可选择更新拟合参数。
`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。

summary()[源代码][源代码]#

获取拟合预测器的摘要。

这与 statsmodels 中的实现相同：

https://www.statsmodels.org/dev/examples/notebooks/generated/statespace_structural_harvey_jaeger.html

simulate(nsimulations, X=None, measurement_shocks=None, state_shocks=None, initial_state=None, anchor=None, repetitions=None, **kwargs)[源代码][源代码]#

模拟一个遵循状态空间模型的新时间序列。

取自原始的 statsmodels 实现。

参数:

nsimulations整数: 要模拟的观测数量。如果模型是时间不变的，则可以是任意数量。如果模型是时间变化的，则此数量必须小于或等于观测数量。
Xpd.DataFrame，可选（默认=None）: 外生变量。
measurement_shocksarray_like, 可选: 如果指定，这些是测量方程的冲击，\(\varepsilon_t\)。如果未指定，这些将使用伪随机数生成器自动生成。如果指定，形状必须为 nsimulations x k_endog，其中 k_endog 与状态空间模型中的相同。
state_shocksarray_like, 可选: 如果指定，这些是状态方程的冲击，\(\eta_t\)。如果未指定，这些将使用伪随机数生成器自动生成。如果指定，必须为 nsimulations x k_posdef 的形状，其中 k_posdef 与状态空间模型中的相同。
初始状态array_like, 可选: 如果指定，这是在模拟中使用的初始状态向量，其形状应为 (k_states x 1)，其中 k_states 与状态空间模型中的相同。如果未指定，但模型已初始化，则使用该初始化。如果 anchor 不是“start”或0（否则您可以在结果对象上使用 simulate 方法，而不是在模型对象上使用），则必须指定此项。
锚点int, str, 或 datetime, 可选: 模拟的第一个周期。模拟将基于 anchor 之前的所有现有数据点。类型取决于给定 endog 在模型中的索引。两个特殊情况是字符串 ‘start’ 和 ‘end’。start 指的是从样本的第一个周期开始模拟，而 end 指的是从样本后的第一个周期开始模拟。整数值可以从 0 到 nobs，或者可以是负数以应用负索引。最后，如果向模型提供了日期/时间索引，那么此参数可以是解析的日期字符串或 datetime 类型。默认值为 ‘start’。
重复int, 可选: 要生成的模拟路径数量。默认是1条模拟路径。

返回:

simulated_obsndarray: 一组模拟的观测值。如果 repetitions=None，那么它的形状将是 (nsimulations x k_endog) 或 (nsimulations,) 如果 k_endog=1。否则，它的形状将是 (nsimulations x k_endog x repetitions)。如果模型输入是 Pandas 对象，那么输出也将是 Pandas 对象。如果 k_endog > 1 且 repetitions 不是 None，那么输出将是一个 Pandas DataFrame，其列具有 MultiIndex，第一层包含 endog 变量的名称，第二层包含重复次数。

参见

statsmodels.tsa.statespace.mlemodel.MLEResults

plot_diagnostics(variable=0, lags=10, fig=None, figsize=None, truncate_endog_names=24)[源代码][源代码]#

标准化残差的诊断图。

取自原始的 statsmodels 实现。

参数:

变量int, 可选: 应为其创建诊断图的内在变量的索引。默认值为 0。
延迟int, 可选: 要包含在相关图中的滞后数。默认值为10。
图图，可选: 如果提供，子图将在此图中创建，而不是在新图中创建。请注意，2x2网格将使用 fig.add_subplot() 在提供的图中创建。
figsizetuple, 可选: 如果创建了一个图形，此参数允许指定大小。元组为 (宽度, 高度)。

返回:

图: 带有诊断图的图形实例。

参见

statsmodels.tsa.statespace.mlemodel.MLEResults

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

返回估计器的测试参数设置。

参数:

参数集str, 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:

参数dict 或 dict 列表，默认 = {}: 创建类的测试实例的参数每个字典都是用于构造一个“有趣的”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()[源代码]#

检查估计器是否已被拟合。

引发:

NotFittedError: 如果估计器尚未拟合。

clone()[源代码]#

获取一个具有相同超参数的对象副本。

克隆是一个在初始化后状态下的不同对象，没有共享引用。此函数等同于返回 self 的 sklearn.clone。

引发:

如果克隆不符合规范，由于 __init__ 存在错误，将引发 RuntimeError。

注释

如果成功，值等于 type(self)(**self.get_params(deep=False))。

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

从另一个估计器克隆标签作为动态覆盖。

参数:

估计器继承自 BaseEstimator 的估计器
标签名称str 或 str 列表, 默认 = None: 要克隆的标签名称。如果为 None，则使用估计器中的所有标签作为 tag_names。

返回:

自我: 自我引用。

注释

通过在 tag_set 中设置标签值，将估计器中的标签值作为动态标签设置到 self 中，从而改变对象状态。

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

如果可能，构造 Estimator 实例。

参数:

参数集str, 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:

实例使用默认参数的类实例

注释

get_test_params 可以返回字典或字典列表。此函数获取 get_test_params 返回的第一个或单个字典，并使用该字典构建对象。

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的列表。

参数:

参数集str, 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])
名称list of str, 与 objs 长度相同: 第 i 个元素是测试中 obj 的第 i 个实例的名称，约定为 {cls.__name__}-{i}，如果存在多个实例，否则为 {cls.__name__}

property cutoff[源代码]#

Cut-off = 预测器的“当前时间”状态。

返回:

截止pandas 兼容的索引元素，或 None: pandas 兼容的索引元素，如果已设置截止值；否则为 None

property fh[源代码]#: 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。

状态变化：: 将状态更改为“已拟合”。

写给自己：

设置以“_”结尾的拟合模型属性，拟合属性可通过 get_fitted_params 进行检查。

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。

如果传递了 fh，则将其存储到 self.fh。

参数:

y : 以 sktime 兼容数据容器格式表示的时间序列。时间序列在

要拟合预测器的时间序列。

sktime 中的单个数据格式被称为 mtype 规范，每个 mtype 实现了一个抽象的 scitype。

Series 类型 = 单个时间序列，常规预测。pd.DataFrame、pd.Series 或 ``np.ndarray``（1D 或 2D）
Panel 类型 = 时间序列集合，全局/面板预测。pd.DataFrame 带有 2 级行 MultiIndex (实例, 时间)，3D np.ndarray (实例, 变量, 时间)，list 类型的 Series pd.DataFrame
Hierarchical 类型 = 分层集合，用于分层预测。pd.DataFrame 带有 3 个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

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

fhint, list, np.array 或 ForecastingHorizon, 可选 (默认=None)

预测时间范围编码了要预测的时间戳。如果 self.get_tag("requires-fh-in-fit") 为 True，则必须在 fit 中传递，不可选

X : sktime 兼容格式的时间序列，可选（默认=None）。时间序列在

要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自我引用。

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

在未来的时间范围内拟合和预测时间序列。

与 fit(y, X, fh).predict(X_pred) 相同。如果未传递 X_pred，则与 fit(y, fh, X).predict(X) 相同。

状态变化：: 将状态更改为“已拟合”。

写给自己：

设置以“_”结尾的拟合模型属性，拟合属性可通过 get_fitted_params 进行检查。

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 中。

参数:

ysktime 兼容数据容器格式中的时间序列

要拟合预测器的时间序列。

sktime 中的单个数据格式被称为 mtype 规范，每个 mtype 实现了一个抽象的 scitype。

Series 类型 = 单个时间序列，常规预测。pd.DataFrame、pd.Series 或 ``np.ndarray``（1D 或 2D）
Panel 类型 = 时间序列集合，全局/面板预测。pd.DataFrame 带有 2 级行 MultiIndex (实例, 时间)，3D np.ndarray (实例, 变量, 时间)，list 类型的 Series pd.DataFrame
Hierarchical 类型 = 分层集合，用于分层预测。pd.DataFrame 带有 3 个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

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

fh : int, list, np.array 或 ForecastingHorizon (不可选)int, list, np.array 或

预测范围编码了要预测的时间戳。

X : sktime 兼容格式的时间序列，可选（默认=None）。时间序列在

要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=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``具有相同的类型（Series、Panel``或``Hierarchical）。如果``self.get_tag(“X-y-must-have-same-index”)``，``X.index``必须包含``fh``索引引用。

返回:

y_predsktime 兼容数据容器格式中的时间序列: 在 fh 处的点预测，索引与 fh 相同。y_pred 与最近传递的 y 具有相同类型：Series、Panel、Hierarchical 科学类型，格式相同（见上文）

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

获取类标签的值。

不返回在实例上定义的动态标签（通过 set_tags 或 clone_tags 设置）的信息。

参数:

标签名称str: 标签值的名称。
tag_value_default任何: 如果未找到标签，则使用默认/回退值。

返回:

标签值: 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]#

从类及其所有父类中获取类标签。

从 _tags 类属性中检索标签：值对。不返回从实例上定义的动态标签（通过 set_tags 或 clone_tags 设置）的信息。

返回:

collected_tagsdict: 类标签名称字典：标签值对。通过嵌套继承从 _tags 类属性中收集。

get_config()[源代码]#

获取 self 的配置标志

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 对象属性中覆盖和新标签。

get_fitted_params(deep=True)[源代码]#

获取拟合参数。

状态要求：: 需要状态为“已拟合”。

参数:

深度bool, 默认=True

是否返回组件的拟合参数。

如果为 True，将返回一个包含参数名称和值的字典，包括可拟合组件的拟合参数（= BaseEstimator 值的参数）。
如果为 False，将返回此对象的参数名称 : 值的字典，但不包括组件的拟合参数。

返回:

fitted_params带有字符串键的字典

拟合参数的字典，paramname : paramvalue 键值对包括：

always: 此对象的所有拟合参数，如通过 get_param_names 获取的值是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，组件的参数被索引为 [componentname]__[paramname]，所有 componentname 的参数都以其值的形式显示为 paramname。
如果 deep=True，还包含任意层级的组件递归，例如 [componentname]__[componentcomponentname]__[paramname] 等。

classmethod get_param_defaults()[源代码]#

获取对象的参数默认值。

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:

排序bool, 默认=True: 是否按字母顺序返回参数名称（True），或者按它们在类 __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)[源代码]#

获取此对象的参数值字典。

参数:

深度bool, 默认=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 : 值的字典，包括组件的参数（= BaseObject 值的参数）。
如果为 False，将返回此对象的参数名称 : 值的字典，但不包括组件的参数。

返回:

参数带有字符串键的字典

参数的字典，paramname : paramvalue 键值对包括：

总是：此对象的所有参数，通过 get_param_names 获取的值是该键的参数值，此对象的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，组件的参数被索引为 [componentname]__[paramname]，componentname 的所有参数以 paramname 及其值的形式出现。
如果 deep=True，还包含任意层级的组件递归，例如，[componentname]__[componentcomponentname]__[paramname] 等。

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

从估计器类获取标签值并动态覆盖标签。

参数:

标签名称str: 要检索的标签名称
tag_value_default任何类型，可选；默认=None: 如果未找到标签，则使用默认/回退值
raise_error布尔: 当未找到标签时是否引发 ValueError

返回:

tag_value任何: self 中 tag_name 标签的值。如果未找到，当 raise_error 为 True 时返回错误，否则返回 tag_value_default。

引发:

如果 raise_error 为 True，即如果 tag_name 不在其中，则引发 ValueError。
self.get_tags().keys()

get_tags()[源代码]#

从估计器类和动态标签覆盖中获取标签。

返回:

collected_tagsdict: 标签名称 : 标签值对的字典。通过嵌套继承收集自 _tags 类属性，然后是 _tags_dynamic 对象属性的任何覆盖和新标签。

is_composite()[源代码]#

检查对象是否由其他 BaseObjects 组成。

复合对象是一个包含对象的对象，作为参数。在实例上调用，因为这可能因实例而异。

返回:

composite: bool: 一个对象是否有任何参数的值是 BaseObjects。

property is_fitted[源代码]#: 是否已调用 fit。

classmethod load_from_path(serial)[源代码]#

从文件位置加载对象。

参数:

串行ZipFile(path).open(“object”) 的结果

返回:

反序列化自身，结果输出到 path，通过 cls.save(path)

classmethod load_from_serial(serial)[源代码]#

从序列化的内存容器中加载对象。

参数:

serial : cls.save(None) 输出的第一个元素输出中的第一个元素

返回:

反序列化自身，结果输出为 serial，来自 cls.save(None)

predict(fh=None, X=None)[源代码]#

预测未来时间范围内的时序数据。

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

自身中的访问：

以”_”结尾的拟合模型属性。

self.cutoff, self.is_fitted

写给自己：: 如果传递了 fh 且之前未传递过，则将其存储到 self.fh 中。

参数:

fh : int, list, np.array 或 ForecastingHorizon，可选 (默认=None)int, list, np.array 或: 预测范围编码了要预测的时间戳。如果已经在 fit 中传递了，则不应再传递。如果在 fit 中未传递，则必须传递，不可选。
X : sktime 兼容格式的时间序列，可选（默认=None）时间序列在: 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")，则 X.index 必须包含 fh 索引引用。

返回:

y_predsktime 兼容数据容器格式中的时间序列: 在 fh 处的点预测，索引与 fh 相同。y_pred 与最近传递的 y 具有相同类型：Series、Panel、Hierarchical 科学类型，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。

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

自身中的访问：

以”_”结尾的拟合模型属性。

self.cutoff, self.is_fitted

写给自己：: 如果传递了 fh 且之前未传递过，则将其存储到 self.fh 中。

参数:

fh : int, list, np.array 或 ForecastingHorizon，可选 (默认=None)int, list, np.array 或: 预测范围编码了要预测的时间戳。如果已经在 fit 中传递了，则不应再传递。如果在 fit 中未传递，则必须传递，不可选。
X : sktime 兼容格式的时间序列，可选（默认=None）时间序列在: 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")，则 X.index 必须包含 fh 索引引用。
覆盖率浮点数或唯一值的浮点数列表，可选（默认值=0.90）: 预测区间的名义覆盖率

返回:

pred_intpd.DataFrame

列具有多重索引：第一级是来自拟合中 y 的变量名称，

计算区间所对应的二级覆盖分数。: 按照输入 coverage 中的相同顺序。

第三级是字符串 “lower” 或 “upper”，用于下/上区间端点。

行索引为 fh，附加（上层）级别等于实例级别，

从 y 中可以看出，如果 y 在拟合中是面板或分层的。

条目是下限/上限区间端的预测。

对于变量在第一列索引中，在第二列索引的名义覆盖率下，根据第三列索引的上下限，对于行索引。上限/下限区间端点预测等价于在覆盖率c下，alpha = 0.5 - c/2, 0.5 + c/2的分位数预测。

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

计算/返回完全概率性的预测。

注意：目前仅针对 Series（非面板，非分层）y 实现。

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

自身中的访问：

以”_”结尾的拟合模型属性。

self.cutoff, self.is_fitted

写给自己：: 如果传递了 fh 且之前未传递过，则将其存储到 self.fh 中。

参数:

fh : int, list, np.array 或 ForecastingHorizon，可选 (默认=None)int, list, np.array 或: 预测范围编码了要预测的时间戳。如果已经在 fit 中传递了，则不应再传递。如果在 fit 中未传递，则必须传递，不可选。
X : sktime 兼容格式的时间序列，可选（默认=None）时间序列在: 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")，则 X.index 必须包含 fh 索引引用。
边缘bool, 可选 (默认=True): 返回的分布是否按时间索引是边际的

返回:

pred_distsktime 基础分布: 如果 marginal=True，则为预测分布；如果 marginal=False 并通过方法实现，则为按时间点的边际分布；如果 marginal=False 并通过方法实现，则为联合分布。

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

计算/返回分位数预测。

如果 alpha 是可迭代的，将计算多个分位数。

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

自身中的访问：

以”_”结尾的拟合模型属性。

self.cutoff, self.is_fitted

写给自己：: 如果传递了 fh 且之前未传递过，则将其存储到 self.fh 中。

参数:

fh : int, list, np.array 或 ForecastingHorizon，可选 (默认=None)int, list, np.array 或: 预测范围编码了要预测的时间戳。如果已经在 fit 中传递了，则不应再传递。如果在 fit 中未传递，则必须传递，不可选。
X : sktime 兼容格式的时间序列，可选（默认=None）时间序列在: 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")，则 X.index 必须包含 fh 索引引用。
alpha浮点数或唯一值的浮点数列表，可选（默认值=[0.05, 0.95]）: 概率或其列表，用于计算分位数预测。

返回:

分位数pd.DataFrame

列具有多重索引：第一级是来自拟合中 y 的变量名称，: 第二级是传递给函数的 alpha 值。
行索引为 fh，附加（上层）级别等于实例级别，: 从 y 中可以看出，如果 y 在拟合中是面板或分层的。
条目是分位数预测，针对列索引中的变量。: 在第二列索引的量化概率处，对应行索引。

predict_residuals(y=None, X=None)[源代码]#

返回时间序列预测的残差。

将在 y.index 处为预测计算残差。

如果必须在拟合中传递 fh，则必须与 y.index 一致。如果 y 是 np.ndarray，并且在拟合中没有传递 fh，则将在 fh 为 range(len(y.shape[0])) 时计算残差。

状态要求：: 需要状态为“已拟合”。如果已设置 fh，则必须对应于 y 的索引（pandas 或整数）
自身中的访问：: 以“_”结尾的拟合模型属性。self.cutoff, self._is_fitted
写给自己：: 无。

参数:

ysktime 兼容数据容器格式中的时间序列

带有地面真值观测的时间序列，用于计算残差。必须与预测返回的类型、维度及索引相同。

如果为 None，则使用目前为止看到的 y（self._y），特别是：

如果前面有一个单独的 fit 调用，那么会产生样本内残差
如果拟合需要 fh，它必须指向拟合中 y 的索引

Xsktime 兼容格式的时间序列，可选（默认=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")，则 X.index 必须同时包含 fh 索引引用和 y.index。

返回:

y_res : 以 sktime 兼容数据容器格式存储的时间序列时间序列在: 在 fh 处的预测残差，具有与 fh 相同的索引。y_res 与最近传递的 y 具有相同类型：Series、Panel、Hierarchical 科学类型，相同格式（见上文）

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

计算/返回方差预测。

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

自身中的访问：

以”_”结尾的拟合模型属性。

self.cutoff, self.is_fitted

写给自己：: 如果传递了 fh 且之前未传递过，则将其存储到 self.fh 中。

参数:

fh : int, list, np.array 或 ForecastingHorizon，可选 (默认=None)int, list, np.array 或: 预测范围编码了要预测的时间戳。如果已经在 fit 中传递了，则不应再传递。如果在 fit 中未传递，则必须传递，不可选。
X : sktime 兼容格式的时间序列，可选（默认=None）时间序列在: 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")，则 X.index 必须包含 fh 索引引用。
covbool, 可选 (默认=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:

pred_var : pd.DataFrame, 格式取决于 cov 变量pd.DataFrame，格式取决于

如果 cov=False:

列名与在 fit/update 中传递的 y 完全相同。: 对于无名称的格式，列索引将是一个 RangeIndex。
行索引为 fh，附加级别等于实例级别，: 从 y 中可以看出，如果 y 在拟合中是面板或分层的。

条目是变异预测，针对列索引中的变量。给定变量和fh索引的变异预测是一种预测

给定观测数据，计算该变量和索引的方差。

如果 cov=True:

列索引是一个多重索引：第一层是变量名（如上所示）: 2nd level 是 fh。
行索引为 fh，附加级别等于实例级别，: 从 y 中可以看出，如果 y 在拟合中是面板或分层的。
条目是（共）变异预测，对于列索引中的变量，并且: 行和列中时间索引之间的协方差。

注意：不同变量之间不会返回协方差预测。

reset()[源代码]#

将对象重置为初始化后的干净状态。

使用 reset，使用当前的超参数值（get_params 的结果）运行 __init__。这将移除任何对象属性，除了：

超参数 = __init__ 的参数

包含双下划线的对象属性，即字符串”__”

类和对象方法，以及类属性也不受影响。

返回:

自身: 将类的实例重置为干净的初始化后状态，但保留当前的超参数值。

注释

等同于 sklearn.clone 但覆盖 self。在调用 self.reset() 之后，self 在值上等于 type(self)(**self.get_params(deep=False))

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

将序列化的自身保存到类字节对象或 (.zip) 文件中。

行为：如果 path 是 None，返回一个内存中的序列化自身；如果 path 是一个文件位置，将自身存储在该位置作为一个 zip 文件。

保存的文件是包含以下内容的zip文件：_metadata - 包含自身的类，即 type(self) _obj - 序列化的自身。此类使用默认的序列化（pickle）。

参数:

路径无或文件位置（字符串或路径）: 如果为 None，则将 self 保存到内存对象中；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（cwd）生成一个名为 estimator.zip 的压缩文件。path=”/home/stored/estimator” 则会在 /home/stored/ 目录下存储一个名为 estimator.zip 的压缩文件。
serialization_format: str, default = “pickle”: 用于序列化的模块。可用的选项是“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 - 内存中序列化的自身
如果 path 是文件位置 - 带有文件引用的 ZipFile

score(y, X=None, fh=None)[源代码]#

使用 MAPE（非对称）对地面实况进行分数预测。

参数:

ypd.Series, pd.DataFrame, 或 np.ndarray (1D 或 2D): 时间序列评分
fhint, list, array-like 或 ForecastingHorizon, 可选 (默认=None): 预测者通过提前的步骤来预测未来的视野。
Xpd.DataFrame，或 2D np.array，可选（默认=None）: 外生时间序列用于评分，如果 self.get_tag(“X-y-must-have-same-index”)，则 X.index 必须包含 y.index

返回:

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

参见

sktime.performance_metrics.forecasting.mean_absolute_percentage_error

set_config(**config_dict)[源代码]#

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。有效的配置、值及其含义如下所示：

显示str, “diagram” (默认), 或 “text”

jupyter 内核如何显示 self 的实例

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

print_changed_onlybool, 默认=True

是否仅打印与默认值不同的自身参数（False），或打印所有参数名称和值（False）。不嵌套，即仅影响自身，不影响组件估计器。

警告str, “on” (默认), 或 “off”

是否引发警告，仅影响来自 sktime 的警告

“on” = 将引发来自 sktime 的警告
“off” = 不会从 sktime 引发警告

后端:并行str, 可选, 默认=”None”

在广播/矢量化时用于并行化的后端，是以下之一

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

后端:并行:参数dict, 可选, 默认={} (未传递参数)

传递给并行化后端的附加参数作为配置。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 后端任何有效的 joblib.Parallel 键都可以在这里传递，例如 n_jobs，除了 backend 直接由 backend 控制。如果未传递 n_jobs，它将默认为 -1，其他参数将默认为 joblib 默认值。
“joblib”: 自定义和第三方 joblib 后端，例如 spark。任何 joblib.Parallel 的有效键都可以在这里传递，例如 n_jobs，在这种情况下，backend 必须作为 backend_params 的键传递。如果未传递 n_jobs，它将默认为 -1，其他参数将默认为 joblib 的默认值。
“dask”: 任何 dask.compute 的有效键都可以传递，例如 scheduler

记住数据bool, 默认=True

是否在 fit 中存储 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 时减少了序列化的大小，但 update 将默认执行“什么都不做”而不是“重新拟合所有已见数据”。

返回:

self对自身的引用。

注释

更改对象状态，将 config_dict 中的配置复制到 self._config_dynamic。

set_params(**params)[源代码]#

设置此对象的参数。

该方法适用于简单估计器以及复合对象。对于复合对象，即包含其他对象的对象，可以使用参数键字符串 <component>__<parameter> 来访问组件 <component> 中的 <parameter>。如果没有两个组件的参数名称相同，例如没有两个名为 <parameter> 的参数，也可以使用不带 <component>__ 的字符串 <parameter> 来引用，以确保引用明确。

参数:

**参数dict: BaseObject 参数，键必须是 <component>__<parameter> 字符串。如果 get_params 键中唯一，__ 后缀可以别名为完整字符串。

返回:

self引用自身（在参数设置之后）

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

设置 random_state 伪随机种子参数为 self。

通过 estimator.get_params 查找名为 random_state 的参数，并通过 set_params 将其设置为由 random_state 派生的整数。这些整数通过 sample_dependent_seed 的链式哈希采样获得，并保证种子随机生成器的伪随机独立性。

根据 self_policy 应用于 estimator 中的 random_state 参数，并且仅当 deep=True 时应用于剩余的组件估计器。

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

参数:

random_stateint, RandomState 实例或 None, 默认=None

伪随机数生成器，用于控制随机整数的生成。传递 int 以在多次函数调用中获得可重复的输出。

深度bool, 默认=True

是否在子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，则还会在子估计器中设置 random_state 参数。

self_policystr, 可以是 {“copy”, “keep”, “new”} 之一, 默认=”copy”

“复制”：estimator.random_state 被设置为输入的 random_state
“保持” : estimator.random_state 保持不变
“new” : estimator.random_state 被设置为一个新随机状态，

源自输入 random_state，并且通常与它不同

返回:

self自我引用

set_tags(**tag_dict)[源代码]#

将动态标签设置为给定值。

参数:

**标签字典dict: 标签名称：标签值对的字典。

返回:

自我: 自我引用。

注释

通过在 tag_dict 中设置标签值，将对象状态更改为 self 中的动态标签。

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

更新截止值，并可选择更新拟合参数。

如果没有实现特定估计器的更新方法，默认的回退方式如下：

update_params=True: 拟合到目前为止所有观测到的数据

update_params=False: 更新截止值并仅记住数据

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

自身中的访问：

以”_”结尾的拟合模型属性。

self.cutoff, self.is_fitted

写给自己：

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“_”结尾的拟合模型属性。

参数:

y : 以 sktime 兼容数据容器格式表示的时间序列。时间序列在

用于更新预测器的时间序列。

sktime 中的单个数据格式被称为 mtype 规范，每个 mtype 实现了一个抽象的 scitype。

Series 类型 = 单个时间序列，常规预测。pd.DataFrame、pd.Series 或 ``np.ndarray``（1D 或 2D）
Panel 类型 = 时间序列集合，全局/面板预测。pd.DataFrame 带有 2 级行 MultiIndex (实例, 时间)，3D np.ndarray (实例, 变量, 时间)，list 类型的 Series pd.DataFrame
Hierarchical 类型 = 分层集合，用于分层预测。pd.DataFrame 带有 3 个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

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

X : sktime 兼容格式的时间序列，可选（默认=None）。时间序列在

用于更新模型拟合的外生时间序列应与 y 具有相同类型`（``Series`, Panel, 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index")，则 X.index 必须包含 y.index。

更新参数bool, 可选 (默认=True)

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

返回:

self自我引用

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

在测试集上迭代地进行预测并更新模型。

简写形式，用于执行多个 update / predict 操作的链式调用，基于时间分割器 cv 进行数据回放。

与以下相同（如果仅 y、cv 为非默认值）：

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

如果没有实现特定估计器的更新方法，默认的回退方式如下：

update_params=True: 拟合到目前为止所有观测到的数据

update_params=False: 更新截止值并仅记住数据

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

自身中的访问：

以”_”结尾的拟合模型属性。

self.cutoff, self.is_fitted

写入自身（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“_”结尾的拟合模型属性。

如果 reset_forecaster=True，则不更新状态。

参数:

y : 以 sktime 兼容数据容器格式表示的时间序列。时间序列在

用于更新预测器的时间序列。

sktime 中的单个数据格式被称为 mtype 规范，每个 mtype 实现了一个抽象的 scitype。

Series 类型 = 单个时间序列，常规预测。pd.DataFrame、pd.Series 或 ``np.ndarray``（1D 或 2D）
Panel 类型 = 时间序列集合，全局/面板预测。pd.DataFrame 带有 2 级行 MultiIndex (实例, 时间)，3D np.ndarray (实例, 变量, 时间)，list 类型的 Series pd.DataFrame
Hierarchical 类型 = 分层集合，用于分层预测。pd.DataFrame 带有 3 个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅关于 mtype 的术语表。有关使用方法，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 = ExpandingWindowSplitter，其中 initial_window=1，默认情况下 = y/X 中的单个数据点被逐个添加并进行预测，initial_window = 1，step_length = 1 和 fh = 1

Xsktime 兼容格式的时间序列，可选（默认=None）

用于更新和预测的外生时间序列应与 fit 中的 y 具有相同的类型（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。

更新参数bool, 可选 (默认=True)

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

reset_forecasterbool, 可选 (默认=True)

如果为真，将不会改变预测器的状态，即，更新/预测序列在副本上运行，并且截止点、模型参数、数据内存的自身状态不会改变。
如果为 False，将在运行 update/predict 序列时更新 self，就像直接调用 update/predict 一样

返回:

y_pred从多个分割批次中汇总点预测的对象

格式取决于对（截止点，绝对水平）的预测总体

如果绝对水平点的集合是唯一的：类型是 sktime 兼容数据容器格式的时间序列输出中抑制了截止点具有与最近传递的 y 相同的类型：Series、Panel、Hierarchical 科学类型，相同格式（见上文）
如果绝对水平点的集合不是唯一的：类型是 pandas DataFrame，行和列索引是时间戳行索引对应于从列索引预测的截止点列索引对应于预测的绝对水平条目是从行索引预测的列索引的点预测如果在该（截止点，水平）对上没有进行预测，则条目为 nan

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

使用新数据更新模型并进行预测。

此方法对于在一个步骤中进行更新和预测非常有用。

如果没有实现特定估计器的更新方法，默认的回退是先更新，然后预测。

状态要求：: 需要状态为“已拟合”。
自身中的访问：: 以“_”结尾的拟合模型属性。指向已见数据的指针，self._y 和 self.X self.cutoff, self._is_fitted 如果 update_params=True，以“_”结尾的模型属性。
写给自己：: 通过追加行来更新 self._y 和 self._X 为 y 和 X。将 self.cutoff 和 self._cutoff 更新为在 y 中看到的最后一个索引。如果 update_params=True，

更新以“_”结尾的拟合模型属性。

参数:

y : 以 sktime 兼容数据容器格式表示的时间序列。时间序列在

用于更新预测器的时间序列。

sktime 中的单个数据格式被称为 mtype 规范，每个 mtype 实现了一个抽象的 scitype。

Series 类型 = 单个时间序列，常规预测。pd.DataFrame、pd.Series 或 ``np.ndarray``（1D 或 2D）
Panel 类型 = 时间序列集合，全局/面板预测。pd.DataFrame 带有 2 级行 MultiIndex (实例, 时间)，3D np.ndarray (实例, 变量, 时间)，list 类型的 Series pd.DataFrame
Hierarchical 类型 = 分层集合，用于分层预测。pd.DataFrame 带有 3 个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

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

fh : int, list, np.array 或 ForecastingHorizon，可选 (默认=None)int, list, np.array 或

预测范围编码了要预测的时间戳。如果已经在 fit 中传递了，则不应再传递。如果在 fit 中未传递，则必须传递，不可选。

Xsktime 兼容格式的时间序列，可选（默认=None）

用于更新和预测的外生时间序列应与 fit 中的 y 具有相同的类型（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。

更新参数bool, 可选 (默认=True)

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

返回:

y_predsktime 兼容数据容器格式中的时间序列: 在 fh 处的点预测，索引与 fh 相同。y_pred 与最近传递的 y 具有相同类型：Series、Panel、Hierarchical 科学类型，格式相同（见上文）