Prophet分段线性趋势预测器

class ProphetPiecewiseLinearTrendForecaster(changepoints=None, n_changepoints=25, changepoint_range=0.8, changepoint_prior_scale=0.05, verbose=0, yearly_seasonality=False, weekly_seasonality=False, daily_seasonality=False)

通过 prophet 拟合分段线性趋势，预测时间序列数据。

预测器使用 Facebook 的 prophet 算法 [1] 并从中提取分段线性趋势。只有与趋势建模相关的超参数通过构造函数暴露出来。

季节性在prophet中设置为加性和“自动”检测，这意味着如果存在，年、周和日季节性将自动检测并使用prophet的默认设置包含在模型中。

对于更细粒度的组件或季节性控制，请直接使用 sktime.forecasting.fbprophet.Prophet。

数据可以以 sktime 兼容的格式之一传递，不需要像 prophet 包中那样命名列 ds。

与普通的 prophet 不同，还支持整数/范围和周期索引： * 整数/范围索引被解释为自2000年1月1日以来的天数 * PeriodIndex 使用 pandas 方法 to_timestamp 进行转换

参数:

changepoints: 列表或无, 默认=无

要包含潜在变化点的日期列表。如果未指定，则自动选择潜在变化点。

n_changepoints: int, 默认=25

要包含的潜在变化点数量。如果提供了输入 changepoints ，则不使用此参数。如果未提供 changepoints ，则从历史记录的前 changepoint_range 比例中均匀选择 n_changepoints 个潜在变化点。

changepoint_range: float, default=0.8

历史中将估计趋势变化点的比例。默认值为0.8，即前80%。如果指定了 changepoints，则不使用此参数。

changepoint_prior_scale: float, default=0.05

调节自动选择变化点灵活性的参数。较大的值将允许更多的变化点，较小的值将允许较少的变化点。建议取值范围为 [0.001,0.5]。

yearly_seasonality: str 或 bool 或 int, 默认=False

在模型中包含年度季节性。”auto” 表示自动确定，True 表示启用，False 表示禁用，或指定傅里叶级数中包含的项数的整数。

weekly_seasonality: str 或 bool 或 int, 默认=False

在模型中包含每周的季节性。”auto” 表示自动确定，True 表示启用，False 表示禁用，或者指定傅里叶级数中包含的项数的整数。

daily_seasonality: str 或 bool 或 int, 默认=False

在模型中包含每周的季节性。”auto” 表示自动确定，True 表示启用，False 表示禁用，或者指定傅里叶级数中包含的项数的整数。

属性:

截止

截止 = “当前时间” 预测器的状态。

fh

传递的预测范围。

is_fitted

是否已调用 fit。

参考文献

[1]

https://facebook.github.io/prophet

示例

>>> from sktime.datasets import load_airline
>>> from sktime.forecasting.trend import ProphetPiecewiseLinearTrendForecaster
>>> from sktime.forecasting.base import ForecastingHorizon
>>> from sktime.split import temporal_train_test_split
>>> y =load_airline().to_timestamp(freq='M')
>>> y_train, y_test = temporal_train_test_split(y)
>>> fh = ForecastingHorizon(y.index, is_relative=False)
>>> forecaster =  ProphetPiecewiseLinearTrendForecaster() 
>>> forecaster.fit(y_train) 
ProphetPiecewiseLinearTrendForecaster(...)
>>> y_pred = forecaster.predict(fh) 

方法

check_is_fitted()	检查估计器是否已被拟合。
clone()	获取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，构造估计器实例。
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()	从估计器类获取标签和动态标签覆盖。
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)	从序列化的内存容器中加载对象。
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。
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])	用新数据更新模型并进行预测。

classmethod get_test_params(parameter_set='default')

返回估计器的测试参数设置。

参数:

参数集str, 默认值为”default”

要返回的测试参数集的名称，用于测试中。如果没有为某个值定义特殊参数，将返回 "default" 集。

返回:

参数字典或字典列表

check_is_fitted()

检查估计器是否已被拟合。

引发:

NotFittedError

如果估计器尚未拟合。

clone()

获取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)

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 中设置来自估计器的标签值，将对象状态更改为动态标签。

classmethod create_test_instance(parameter_set='default')

如果可能，构造估计器实例。

参数:

参数集str, 默认值为”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')

创建所有测试实例的列表及其名称的列表。

参数:

参数集str, 默认值为”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

截止 = “当前时间” 预测器的状态。

返回:

截止pandas 兼容的索引元素，或 None

如果已设置截止值，则为与 pandas 兼容的索引元素；否则为 None。

property fh

传递的预测范围。

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

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

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，编码了需要预测的时间戳。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

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)

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

预测时间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

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``具有相同的科学类型（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，具有与 fh 相同的索引。y_pred 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）

classmethod get_class_tag(tag_name, tag_value_default=None)

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

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

classmethod get_class_tags()

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。不返回在实例上通过 set_tags 或 clone_tags 设置的动态标签信息。

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()

获取 self 的配置标志

返回:

config_dictdict

配置名称 : 配置值对的字典。从 _config 类属性通过嵌套继承收集，然后是 _config_dynamic 对象属性的任何覆盖和新标签。

get_fitted_params(deep=True)

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，将返回此对象的参数名称 : 值的字典，包括可拟合组件的拟合参数（= 值为 BaseEstimator 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，还包含任意级别的组件递归，例如 [componentname]__[componentcomponentname]__[paramname] 等。

classmethod get_param_defaults()

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)

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)

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 的形式出现，并带有其值。

• 如果 deep=True，还包含任意级别的组件递归，例如，[componentname]__[componentcomponentname]__[paramname]，等等。

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

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

当找不到标签时是否引发 ValueError

返回:

标签值任何

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()

从估计器类获取标签和动态标签覆盖。

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()

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

是否已调用 fit。

classmethod load_from_path(serial)

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)

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)

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。

self 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

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，具有与 fh 相同的索引。y_pred 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_interval(fh=None, X=None, coverage=0.9)

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。

self 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

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率分数。

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。

行索引是 fh，附加（上层）级别等于实例级别，

从 y 中可以看到，如果 y 在拟合中是面板或分层的。

条目是下/上区间端的预测，

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

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

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。

状态要求：

需要状态为“已拟合”，即 self.is_fitted=True。

self 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

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。

边缘的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 且由方法实现，则为按时间点的边际分布；如果由方法实现，则为联合分布。

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

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。

self 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

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=[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。

行索引是 fh，附加（上层）级别等于实例级别，

从 y 中可以看到，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)

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）

self 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，则使用迄今为止看到的 y（self._y），特别是：

• 如果前面调用了一次拟合，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 : sktime 兼容数据容器格式的时间序列时间序列

在 fh 处的预测残差，索引与 fh 相同。 y_res 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_var(fh=None, X=None, cov=False)

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。

self 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

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 中传入的 y 完全一致。

对于无名称的格式，列索引将是一个 RangeIndex。

行索引是 fh，附加级别等于实例级别，

从 y 中可以看到，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：第一层是变量名称（如上所示）

2nd level 是 fh。

行索引是 fh，附加级别等于实例级别，

从 y 中可以看到，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()

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

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 但覆盖了 self。在调用 self.reset() 之后，self 的值等于 type(self)(**self.get_params(deep=False))

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

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 为 None，则返回内存中的序列化自身；如果 path 是一个文件位置，则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下生成一个名为 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。

返回:

如果 path 为 None - 内存中序列化的 self

如果 path 是文件位置 - 带有文件引用的 ZipFile

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

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)

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 内核如何显示实例的自我

• “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

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

传递给并行化后端的额外参数作为配置。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 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。这减少了使用 save 时的序列化大小，但 update 将默认执行“不操作”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)

设置此对象的参数。

该方法适用于简单的估计器以及复合对象。参数键字符串 <component>__<parameter> 可以用于复合对象，即包含其他对象的对象，以访问组件 <component> 中的 <parameter>。如果没有 <component>__，字符串 <parameter> 也可以使用，前提是这使得引用明确，例如，没有两个组件的参数名称都是 <parameter>。

参数:

**参数dict

BaseObject 参数，键必须是 <组件>__<参数> 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')

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 将其设置为从 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，即使那些没有 random_state 参数的估计器。

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。传递整数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 random_state

• “保持” : estimator.random_state 保持不变

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

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)

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)

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，默认回退如下：

• update_params=True: 拟合到目前为止的所有观测数据

• update_params=False: 更新截止并仅记住数据

状态要求：

需要状态为“已拟合”，即 self.is_fitted=True。

self 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 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

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

用于更新模型拟合的外生时间序列应与 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 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)

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（如果只有 y，cv 是非默认值）：

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

2. 记住 self.predict() （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() （稍后在单个批次中返回）

5. 等等

6. 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，默认回退如下：

• update_params=True: 拟合到目前为止的所有观测数据

• update_params=False: 更新截止并仅记住数据

状态要求：

需要状态为“已拟合”，即 self.is_fitted=True。

self 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 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

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 且 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。

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/预测序列是在副本上运行的，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，绝对地平线）的总体预测

• 如果绝对地平线点的集合是唯一的：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 如果没有在该（截止点，水平）对上进行预测，则条目为 nan

update_predict_single(y=None, fh=None, X=None, update_params=True)

用新数据更新模型并进行预测。

此方法对于在单一步骤中更新和进行预测非常有用。

如果没有实现特定估计器的更新方法，默认的回退操作是先更新，然后预测。

状态要求：

需要状态为“已拟合”。

self 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，则以“_”结尾的模型属性。

写给自己：

通过附加行来更新 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

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。

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，具有与 fh 相同的索引。y_pred 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）