Update 02-forecast.md

docs/zh/06-advanced/06-TDgpt/06-dev/02-forecast.md

@@ -3,7 +3,13 @@ title: "预测算法"
 sidebar_label: "预测算法"
 ---
 
-对于预测算法，`AbstractForecastService` 的对象属性说明如下：
+### 输入约定
+`execute` 是预测算法处理的核心方法。框架调用该方法之前，在对象属性参数 `self.list` 中已经设置完毕用于预测的历史时间序列数据。
+
+### 父类属性及输出约定
+`execute` 方法执行完成后的返回值是长度与 `self.list` 相同的数组，数组位置 -1 的标识异常值点。
+
+对于预测算法的父类 `AbstractForecastService` 包含的对象属性如下：
 
 |属性名称|说明|默认值|
 |---|---|---|
@@ -12,7 +18,7 @@ sidebar_label: "预测算法"
 |time_step|预测结果的两个数据点之间时间间隔|0	|
 |fc_rows|预测结果的数量|	0	|
 |return_conf|预测结果中是否包含置信区间范围，如果不包含置信区间，那么上界和下界与自身相同|	1|	
-|conf|置信区间分位数 0.05|
+|conf|置信区间分位数|95|
 
 
 预测返回结果如下：
@@ -21,7 +27,44 @@ return {
     "rows": self.fc_rows,   # 预测数据行数
     "period": self.period,  # 数据周期性，同输入
     "algo": "holtwinters",  # 预测使用的算法
-    "mse": mse,				# 预测算法的 mse
+    "mse": mse,				# 预测算法的最小均方误差(minimum squared error)
     "res": res              # 结果数组 [时间戳数组, 预测结果数组, 预测结果执行区间下界数组，预测结果执行区间上界数组]
 }
 ```
+
+### 示例代码
+下面我们开发一个示例预测算法，对于任何输入的时间序列数据，固定返回值 1 作为预测结果。
+
+```python
+import numpy as np
+from service import AbstractForecastService
+
+# 算法实现类名称 需要以下划线 "_" 开始，并以 Service 结束
+class _MyForecastService(AbstractForecastService):
+    """ 定义类，从 AbstractForecastService 继承，并实现 AbstractAnomalyDetectionService 类的抽象方法  """
+
+    # 定义算法调用关键词，全小写ASCII码
+    name = 'myad'
+
+    # 该算法的描述信息(建议添加)
+    desc = """return the last value as the anomaly data"""
+
+    def __init__(self):
+        """类初始化方法"""
+        super().__init__()
+
+    def execute(self):
+	""" 算法逻辑的核心实现"""
+
+        """创建一个长度为 len(self.list)，全部值为 1 的结果数组，然后将最后一个值设置为 -1，表示最后一个值是异常值"""
+        res = [1] * len(self.list)
+        res[-1] = -1
+
+        """返回结果数组"""
+        return res
+
+	
+    def set_params(self, params):
+	"""该算法无需任何输入参数，直接重载父类该函数，不处理算法参数设置逻辑"""
+        pass
+```