ForecastingParameters 类

时间列的名称。 当预测在用于生成时序并推断其频率的输入数据中指定日期/时间列时，此参数是必需的。

所需最大预测范围（以时序频率单位为单位）。 默认值为 1。

单位基于训练数据的时间间隔，例如预测器应预测的每月、每周。预测任务类型时，此参数是必需的。 有关设置预测参数的详细信息，请参阅 自动训练时序预测模型。

用于对时间序列进行分组的列的名称。 它可用于创建多个序列。 如果未定义时序 ID 列名称，或者指定的标识符列未标识数据集中的所有序列，则会自动为数据集创建时序标识符。

要从目标列滞后的过去时间段数。 默认情况下，滞后时间处于关闭状态。

预测时，此参数表示根据数据频率滞后目标值的行数。 这表示为列表或单个整数。 默认情况下，当独立变量与从属变量之间的关系不匹配或关联时，应使用滞后时间。 例如，当尝试预测产品的需求时，任何月份的需求都可能取决于 3 个月前特定商品的价格。 在此示例中，你可能希望将目标（需求）负延迟 3 个月，以便模型在正确的关系上进行训练。 有关详细信息，请参阅 自动训练时序预测模型。

注意自动检测目标滞后和滚动窗口大小。 请参阅滚动窗口部分的相应注释。 我们使用下一个算法来检测最佳目标延迟和滚动窗口大小。

1. 估计回溯功能选择的最大滞后顺序。 在本例中，它是到下一个日期频率粒度的时间段数，即如果频率为每日，则为一周（7），如果是一周，则为月（4）。 该值乘以 2 是滞后/滚动窗口的最大可能值。 在我们的示例中，我们将分别考虑最大延迟顺序为 14 和 8。

2. 通过添加趋势和残差组件来创建去季节性序列。 这将在下一步中使用。

3. 估计 PACF - 来自 （2） 的数据上的部分自动关联函数并搜索点，其中自动相关性显著，即其绝对值大于 1.96/square_root（最大滞后值），对应于 95%的重要性。

4. 如果所有点都很重要，我们认为它具有很强的季节性，并且不会创建回溯功能。

5. 我们从头开始扫描 PACF 值，并在第一个微不足道的自动关联前的值指定滞后时间。 如果第一个重要元素（值与自身关联）后跟微不足道，则滞后时间将为 0，我们不会使用回溯功能。

用于为具有“auto”或“None”的数字特征生成滞后的标志。

用于创建目标列的滚动窗口平均值的过去时间段数。

预测时，此参数表示用于生成预测 值的历史周期 ， <= 定型集大小。 如果省略， 则 n 是完整的训练集大小。 如果只想在训练模型时考虑一定数量的历史记录，请指定此参数。 如果设置为“auto”，则滚动窗口将估计为 PACF 的上一个值，然后是重要性阈值。 有关详细信息，请参阅target_lags部分。

将时序季节性设置为序列频率的整数倍数。 如果季节性设置为“auto”，则会推断它。 如果设置为“无”，则假定时序为非季节性，相当于季节性=1。

用于生成假日功能的国家/地区。 这些代码应为 ISO 3166 双字母国家/地区代码，例如“US”或“GB”。

配置时序目标列的 STL 分解。 use_stl可以采用三个值：None （default） - 无 stl 分解，“季节”- 仅生成季节组件和season_trend - 生成季节和趋势组件。

为预测任务配置短序列处理。

定义 AutoML 如何处理短时序的参数。

可能的值：“auto”（默认值）、“pad”、“drop”和“None”。

• 如果没有长系列，则自动短系列将被填充，否则将删除短系列。
• 填充 所有短系列。
• 删除 所有短系列将被删除”。
• 不会 修改短系列。 如果设置为“pad”，则表将填充回归器的零值和空值，目标随机值平均值等于给定时序 ID 的目标值中值。如果中值大于或等于零，则最小填充值将被零剪裁。 输入：

假设最小值数为 4 的输出：

注意： 我们有两个参数short_series_handling_configuration和旧版short_series_handling。 设置这两个参数时，我们将同步它们，如下表所示（short_series_handling_configuration和short_series_handling分别标记为handling_configuration和处理）。

预测频率。

预测时，此参数表示需要预测的时间段，例如每日、每周、每年等。默认情况下，预测频率为数据集频率。 可以选择将其设置为大于（但不小于）数据集频率。 我们将聚合数据，并按预测频率生成结果。 例如，对于每日数据，可以将频率设置为每日、每周或每月，但不能设置为每小时。 频率必须是 pandas 偏移别名。 有关详细信息，请参阅 pandas 文档： https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#dateoffset-objects

用于聚合符合用户指定频率的时序目标列的函数。 如果设置了target_aggregation_function，但未设置 freq 参数，则会引发错误。 可能的目标聚合函数包括：“sum”、“max”、“min”和“mean”。

• 目标列值根据指定的作进行聚合。 通常，sum 适用于大多数方案。

• 数据中的数值预测器列会按总和、平均值、最小值和最大值进行聚合。 因此，自动 ML 会生成以聚合函数名称为后缀的新列，并应用所选的聚合运算。

• 对于分类预测器列，数据会按模式（窗口中最醒目的类别）进行聚合。

• 日期预测器列会按最小值、最大值和模式进行聚合。

一个 CV 折叠的origin_time和下一个折叠之间的句点数。 例如，如果 n_step = 3 表示每日数据，则每个折叠的起始时间将相隔三天。

配置为验证输入参数。