Python使用Exponential Smoothing预测时forecast传步数报错如何解决

根因分析 #

你遇到的报错是因为训练数据的时间索引没有显式声明频率属性(freq)，statsmodels的forecast()方法无法基于整数步数自动推算未来预测的时间戳，同时高版本pandas禁止直接对Timestamp类型做整数加减操作，必须基于时间频率做偏移计算。

原始报错信息：

TypeError: Addition/subtraction of integers and integer-arrays with Timestamp is no longer supported. Instead of adding/subtracting n, use n * obj.freq

修复方案 #

方案1：显式设置训练数据的时间频率（最简便） #

先给训练数据的时间索引设置和采样周期匹配的频率，再训练模型即可正常调用forecast()方法：

import pandas as pd
from statsmodels.tsa.holtwinters import ExponentialSmoothing

# 第一步：给训练数据设置正确的时间频率
# 按需替换freq参数：日度用'D'、月度用'M'、小时级用'H'、周度用'W'、季度用'Q'
traindata = traindata.asfreq('D') 

# 后续训练预测逻辑不变
model = ExponentialSmoothing(traindata)
ets_fit = model.fit(smoothing_level = 0.2,optimized = False )
train['fittedvalues'] = ets_fit.fittedvalues
ets_pred = ets_fit.forecast(steps=len(test))

注意：asfreq()会自动补全缺失的时间点，对应数值会填充为NaN，可根据业务需求用fillna()方法处理缺失值后再训练模型。

方案2：手动指定预测时间范围 #

如果不想修改原始训练数据的索引，也可以手动生成预测的时间索引，用predict()方法代替forecast()：

# 手动生成测试集对应的时间索引，freq按你的数据实际周期填写
pred_index = pd.date_range(start=traindata.index[-1] + pd.Timedelta(days=1), periods=len(test), freq='D')
ets_pred = ets_fit.predict(start=pred_index[0], end=pred_index[-1])

内容的提问来源于stack exchange，提问作者Sneha B