预测#

The sktime.forecasting 模块包含用于预测的算法和组合工具。

所有 sktime 中的预测器都可以使用 sktime.registry.all_estimators 工具列出，使用 estimator_types="forecaster"，可以选择性地通过标签进行过滤。有效的标签可以使用 sktime.registry.all_tags 列出。

基于标签的完整表格也可以在估计器搜索页面上找到（在“估计器类型”下拉菜单中选择“预测器”）。

基础#

`BaseForecaster`()	基础预测器模板类。
`ForecastingHorizon`([values, is_relative, freq])	预测范围。

管道组合#

用于构建预测管道的合成器。管道也可以使用 *、**、+ 和 | 双下划线符号构建。

make_pipeline(*steps)

从任何类型的估计器创建一个管道。

`TransformedTargetForecaster`(steps)	用于预测转换后时间序列的元估计器。
`ForecastingPipeline`(steps)	使用外生数据的预测管道。
`ColumnEnsembleForecaster`(forecasters)	使用单独的预测器对每个序列进行预测。
`MultiplexForecaster`(forecasters[, ...])	用于在不同模型之间进行选择的 MultiplexForecaster。
`ForecastX`(forecaster_y[, forecaster_X, ...])	用于预测内生预测中使用的自变量数据的预测器。
`ForecastByLevel`(forecaster[, groupby])	按实例或面板进行预测。
`GroupbyCategoryForecaster`(forecasters[, ...])	基于推断类别的不同预测器进行利用的合成器。
`Permute`(estimator[, permutation, steps_arg])	用于排列预测管道步骤的排列组合器。
`HierarchyEnsembleForecaster`(forecasters[, ...])	聚合分层数据，拟合预测器并进行预测。
`TransformSelectForecaster`(forecasters[, ...])	利用时间序列数据特性的不同预测器的合成器。
`FhPlexForecaster`(forecaster[, fh_params, ...])	根据预测范围元素使用不同的参数。
`IgnoreX`(forecaster[, ignore_x])	忽略外生变量的合成器。
`FallbackForecaster`(forecasters[, verbose, ...])	按顺序尝试一系列预测模型的预测器。

减少#

使用 sklearn 回归器或 sktime 时间序列回归器进行预测的减少预测器。

并发表格策略#

在同一时间戳使用外生数据 - 简单的减少策略。

YfromX(estimator[, pooling])

简单减少预测内生变量从同时的外生变量。

直接和递归 - `sktime` 原生第一代#

第一代直接和递归减少预测器，基于 numpy。

可以通过 make_reduction 构建不同的策略，以便于指定。

make_reduction(estimator[, strategy, ...])

基于归约到表格或时间序列回归的预测器。

`DirectTabularRegressionForecaster`(estimator)	从预测到表格回归的直接简化。
`DirectTimeSeriesRegressionForecaster`(estimator)	从预测到时间序列回归的直接简化。
`MultioutputTabularRegressionForecaster`(estimator)	从预测到表格回归的多输出缩减。
`MultioutputTimeSeriesRegressionForecaster`(...)	从预测到时间序列回归的多输出约简。
`RecursiveTabularRegressionForecaster`(estimator)	从预测到表格回归的递归简化。
`RecursiveTimeSeriesRegressionForecaster`(...)	从预测到时间序列回归的递归简化。
`DirRecTabularRegressionForecaster`(estimator)	从预测到表格回归的Dir-rec归约。
`DirRecTimeSeriesRegressionForecaster`(estimator)	从预测到时间序列回归的Dir-rec归约。

直接和递归 - `sktime` 原生第二代#

基于 pandas 的直接和递归减少预测器的第二代重新架构。

DirectReductionForecaster(estimator[, ...])

直接减少预测器，包括单输出、多输出、外生Dir。

直接和递归 - 第三方#

SkforecastAutoreg(regressor, lags[, ...])

skforecast.ForecasterAutoreg.ForecasterAutoreg 类的适配器 [Rab014607127f-1]。

`DartsRegressionModel`([lags, ...])	飞镖回归模型估计器。
`DartsLinearRegressionModel`([...])	Darts 线性回归估计器。
`DartsXGBModel`([past_covariates, ...])	Darts XGBModel 估计器。

朴素预测者#

NaiveForecaster([strategy, window_length, sp])

基于对过去趋势持续的简单假设的预测。

ForecastKnownValues(y_known[, method, ...])

播放已知或规定值作为预测的预测器。

预测区间#

为任何预测器添加预测区间的包装器。

SquaringResiduals([forecaster, ...])

基于单独的预测器计算预测方差。

NaiveVariance(forecaster[, initial_window, ...])

基于一种朴素策略计算预测方差。

ConformalIntervals(forecaster[, method, ...])

经验预测区间和一致性预测区间。

BaggingForecaster([bootstrap_transformer, ...])

通过聚合其引导样本的预测来预测时间序列。

EnbPIForecaster([forecaster, ...])

集成Bootstrap预测区间预测器。

趋势预测者#

`TrendForecaster`([regressor])	基于趋势的时间序列数据预测，回归值基于索引。
`PolynomialTrendForecaster`([regressor, ...])	用多项式趋势预测时间序列数据。
`STLForecaster`([sp, seasonal, trend, ...])	基于 statsmodels.tsa.seasonal.STL 实现实现了 STLForecaster。
`CurveFitForecaster`(function[, ...])	CurveFitForecaster 接受一个函数并通过使用 scipy curve_fit 来拟合它。
`ProphetPiecewiseLinearTrendForecaster`([...])	通过prophet拟合分段线性趋势，预测时间序列数据。

StatsForecastMSTL(season_length[, ...])

StatsForecast 使用 LOESS 模型的多季节趋势分解。

基于指数平滑的预测器#

ExponentialSmoothing([trend, damped_trend, ...])

Holt-Winters 指数平滑预测器。

AutoETS([error, trend, damped_trend, ...])

同时具备手动和自动拟合功能的ETS模型。

`StatsForecastAutoETS`([season_length, model, ...])	StatsForecast 自动指数平滑模型。
`StatsForecastAutoCES`([season_length, model])	StatsForecast 复杂指数平滑模型。

ThetaForecaster([initial_level, ...])

Theta 方法用于预测。

StatsForecastAutoTheta([season_length, ...])

Statsforecast AutoTheta 估计器。

AR/MA 类型预测器#

带有AR或MA成分的预测器。

以下所有“ARIMA”和“Auto-ARIMA”模型均包含SARIMAX功能。

(V)AR(I)MAX 模型#

AutoREG([lags, trend, seasonal, hold_back, ...])

自回归 AR-X(p) 模型。

`ARIMA`([order, seasonal_order, start_params, ...])	(S)ARIMA(X) 预测器，来自 pmdarima 包。
`StatsModelsARIMA`([order, seasonal_order, ...])	(S)ARIMA(X) 预测器，来自 statsmodels 的 tsa.arima 模块。

SARIMAX([order, seasonal_order, trend, ...])

(S)ARIMA(X) 预测器，来自 statsmodels 的 tsa.statespace 模块。

VAR([maxlags, method, verbose, trend, ...])

VAR 模型来自 statsmodels。

VARReduce([lags, regressor])

一个灵活的类似VAR的预测器，结合了表格化和回归。

VARMAX([order, trend, error_cov_type, ...])

statsmodels 中的 VARMAX 预测模型

自动ARIMA模型#

AutoARIMA([start_p, d, start_q, max_p, ...])

Auto-(S)ARIMA(X) 预测器，来自 pmdarima 包。

StatsForecastAutoARIMA([start_p, d, ...])

StatsForecast AutoARIMA 估计器。

ARCH 模型#

`StatsForecastARCH`([p])	StatsForecast ARCH 估计器。
`StatsForecastGARCH`([p, q])	StatsForecast GARCH 估计器。
`ARCH`([mean, lags, vol, p, o, q, power, ...])	直接从 python 包 arch 接口 ARCH 模型。

结构化时间序列模型#

ARDL([lags, order, fixed, causal, trend, ...])

自回归分布滞后（ARDL）模型。

BATS([use_box_cox, box_cox_bounds, ...])

具有多季节性的时间序列的 BATS 预测器。

TBATS([use_box_cox, box_cox_bounds, ...])

TBATS 预测器用于具有多重季节性的时间序列。

StatsForecastAutoTBATS(seasonal_periods[, ...])

StatsForecast TBATS 模型。

Prophet([freq, add_seasonality, ...])

通过封装 Facebook 的 prophet 算法 [R995275cbd543-1] 实现的 Prophet 预测器。

`Prophetverse`([changepoint_interval, ...])	单变量 prophetverse 预测器 - 在 numpyro 中实现的 prophet 模型。
`HierarchicalProphet`([trend, ...])	基于Meta的Prophet的贝叶斯分层时间序列预测模型。

UnobservedComponents([level, trend, ...])

statsmodels 中的 UnobservedComponents 预测模型。

DynamicFactor([k_factors, factor_order, ...])

动态因子预测器。

基于深度学习的预测器#

`LTSFLinearForecaster`(seq_len, pred_len, *[, ...])	LTSF-线性预测器。
`LTSFDLinearForecaster`(seq_len, pred_len, *)	LTSF-DLinear 预测器。
`LTSFNLinearForecaster`(seq_len, pred_len, *)	LTSF-NLinear 预测器。
`LTSFTransformerForecaster`(seq_len, ...[, ...])	LTSF-Transformer 预测器。

HFTransformersForecaster(model_path[, ...])

使用huggingface模型进行预测的预测器。

TimesFMForecaster(context_len, horizon_len)

TimesFM（时间序列基础模型）的零样本预测实现。

TinyTimeMixerForecaster([model_path, ...])

TinyTimeMixer 预测器用于多元时间序列的零样本预测。

CINNForecaster([n_coupling_layers, ...])

条件可逆神经网络 (cINN) 预测器。

`NeuralForecastRNN`([freq, local_scaler_type, ...])	NeuralForecast RNN 模型。
`NeuralForecastLSTM`([freq, ...])	NeuralForecast LSTM 模型。

`PytorchForecastingTFT`([model_params, ...])	pytorch-forecasting 时间序列融合变换器模型。
`PytorchForecastingDeepAR`([model_params, ...])	pytorch-forecasting DeepAR 模型。
`PytorchForecastingNHiTS`([model_params, ...])	pytorch-forecasting NHiTS 模型。
`PytorchForecastingNBeats`([model_params, ...])	pytorch-forecasting NBeats 模型。

PyKANForecaster([hidden_layers, ...])

PyKANForecaster 使用 Kolmogorov Arnold 网络 [1] 来预测时间序列数据。

间歇时间序列预测器#

Croston([smoothing])

Croston 方法用于预测间歇性时间序列。

集成与堆叠#

`EnsembleForecaster`(forecasters[, n_jobs, ...])	预测器的集合。
`AutoEnsembleForecaster`(forecasters[, ...])	自动为集成预测器找到最佳权重。
`StackingForecaster`(forecasters[, regressor, ...])	StackingForecaster.

层次化协调#

ReconcilerForecaster(forecaster[, method, ...])

分层协调预测器。

在线和流预测#

`OnlineEnsembleForecaster`(forecasters[, ...])	在线更新预测器集合。
`NormalHedgeEnsemble`([n_estimators, a, loss_func])	无参数对冲算法。
`NNLSEnsemble`([n_estimators, loss_func])	基于非负最小二乘权重的集合预报。

`UpdateEvery`(forecaster[, update_interval])	仅在调用更新时定期更新。
`UpdateRefitsEvery`(forecaster[, ...])	在调用更新时定期进行重置。
`DontUpdate`(forecaster)	关闭更新，即确保预测器仅被拟合且永不更新。

其他预测框架包的适配器#

通用框架适配器，通过 sktime 接口暴露其他框架。

HCrystalBallAdapter(model)

在 sktime 中使用 hcrystalball 预测器的适配器。

模型选择与调优#

`ForecastingGridSearchCV`(forecaster, cv, ...)	执行网格搜索交叉验证以找到最优模型参数。
`ForecastingRandomizedSearchCV`(forecaster, ...)	执行随机搜索交叉验证以找到最佳模型参数。
`ForecastingSkoptSearchCV`(forecaster, cv, ...)	在超参数上进行贝叶斯搜索的预测器。
`ForecastingOptunaSearchCV`(forecaster, cv, ...)	执行Optuna搜索交叉验证以找到最优模型超参数。

模型评估（回测）#

evaluate(forecaster, cv, y[, X, strategy, ...])

使用时间序列交叉验证评估预测器。

时间索引分割器#

可以通过基于时间索引的分裂器来自定义评估和调整，有关这些分裂器的列表，请参阅分裂器 API

预测#

基础#