energicast.pipeline.ForecastPipeline to klej spinający wszystkie komponenty biblioteki.
Pipeline buduje kompletny cykl: ładuje dane, imputuje braki, generuje cechy, trenuje
model, wykonuje walidację kroczącą oraz zapisuje/odtwarza artefakty.
TrainingConfig definiuje częstotliwość (freq), horyzont (horizon), listę kwantyli,
a także model (model) i jego parametry (model_params).DatasetConfig opisuje kolumny (time_column, target_column, series_id_column),
znane kowariaty (known_covariates) oraz wymagania co do kompletności historii.ValidationConfig określa tryb walidacji; pipeline implementuje wariant
rolling poprzez _rolling_origin_windows._prepare_single_series porządkuje indeks
czasowy, wymusza strefę czasową oraz uzupełnia brakujące znaczniki czasu.GapFiller.fit_transform z modułu energicast.impute.synth
uzupełnia luki przy użyciu kombinacji forward/backward fill i średnich godzinowych._make_feature_matrix wywołuje listę generatorów (domyślnie tylko
make_energy_features) oraz łączy je z kowariatami znanymi w przyszłości._fit_single_series instancjonuje model z rejestru (np.
XGBForecaster) i trenuje go na imputowanym sygnale._maybe_validate_series tworzy okna rolling-origin i zapisuje
prognozy w validation_results_, które później wykorzystuje backtest.run_backtest.predict generuje macierz kwantyli dla każdego szeregu,
korzystając z zachowanych artefaktów (PipelineArtifacts).save zapisuje konfigurację i modele per-seria, natomiast
load rekonstruktuje pipeline z katalogu.Jeżeli series_id_column jest ustawione, pipeline rozdziela ramkę danych na grupy i
utrzymuje osobne artefakty dla każdej serii. Walidacja i predykcje zwracają wynik w
postaci MultiIndexu (series_id, timestamp).
Komendy energicast.cli tworzą pipeline na podstawie pliku YAML, uruchamiają trening
(train) lub backtest (backtest), a następnie zapisują wyniki do katalogów z artefaktami.
backtest.run_backtest oczekuje, że validation_results_ zawiera rolling-origin windows,
co zapewnia konfiguracja walidacji ustawiona na method="rolling".