带1个外生变量的单变量预测：未按指定日期生成预测结果

以下是导致预测未使用future_exog_df中指定日期的常见原因及对应解决方案：

1. 外生变量数据集的日期索引格式不匹配 #

PyCaret的时间序列模块要求数据集的索引必须是DatetimeIndex，且频率与训练数据完全一致（此处为月度）。如果future_exog_df的日期是普通字符串、未设置为索引，或是DatetimeIndex但频率不匹配，PyCaret会自动生成基于训练数据末尾的连续日期，而非使用你指定的日期。

解决方法：将future_exog_df的日期列转换为DatetimeIndex，并设置正确的月度频率：

import pandas as pd

# 假设日期列名为'date'
future_exog_df['date'] = pd.to_datetime(future_exog_df['date'])
# 设置索引为日期，并指定月度起始频率（MS），与训练数据保持一致
future_exog_df = future_exog_df.set_index('date').asfreq('MS')

2. 未正确指定预测步长（fh参数） #

当传入X参数时，PyCaret默认根据X的行数确定预测步长，但如果未显式指定fh（forecast horizon），或fh的长度与X的行数不匹配，可能导致日期逻辑混乱。此外，若X的索引未与训练数据的末尾日期衔接（比如训练数据到2023-12，X的日期却跳至2024-03），也会引发问题。

解决方法：显式指定fh，或确保X的索引是训练数据末尾之后的连续月度日期：

# 方法1：显式指定预测步长为6（对应2024年1-6月）
predict_model(model, fh=6, X=future_exog_df)

# 方法2：确保X的索引与训练数据衔接且连续
# 训练数据索引末尾为2023-12，X的索引需为2024-01至2024-06的连续月度日期

3. 外生变量列名与训练数据不匹配 #

如果future_exog_df中的外生变量列名与训练数据中的列名不一致（比如训练数据是Aggregate_FinalGoodsDemand，而future_exog_df是Aggregate_FinalGoods_Demand），PyCaret无法识别外生变量，会直接忽略X参数，按默认逻辑生成日期。

解决方法：检查并确保列名完全一致：

# 查看训练数据的列名
print(merged_df.columns)
# 保留与训练数据一致的外生变量列
future_exog_df = future_exog_df[['Aggregate_FinalGoodsDemand']]

4. 训练阶段未正确配置外生变量 #

在setup阶段，如果未通过exogenous参数指定外生变量，后续predict_model传入X时，模型不会使用外生变量，也不会参考X中的日期，而是生成默认日期。

解决方法：在setup时明确指定外生变量：

from pycaret.time_series import TSForecastingExperiment

exp = TSForecastingExperiment()
exp.setup(
    data=merged_df,
    target='Recieved_Qty_Component',
    exogenous='Aggregate_FinalGoodsDemand',  # 正确指定外生变量
    fh=12,  # 训练时的预测步长，可按需调整
    fold=3
)

内容的提问来源于stack exchange，提问作者Ruixiang Yang