Forecasting.ForecastBySsa с несколькими переменными в качестве входных данных

Question

У меня есть этот код для предсказания временного ряда. Я хочу иметь прогноз, основанный на временном ряду цен и коррелированном индикаторе. Итак, вместе со значением для прогнозирования я хочу передать побочное значение, но я не могу понять, принимается ли это во внимание, потому что прогноз не меняется с ним или без него. Каким образом мне нужно сообщить al go, как учитывать эти параметры?

        public static TimeSeriesForecast PerformTimeSeriesProductForecasting(List<TimeSeriesData> listToForecast)
        {
            var mlContext = new MLContext(seed: 1);  //Seed set to any number so you have a deterministic environment
            var productModelPath = $"product_month_timeSeriesSSA.zip";

            if (File.Exists(productModelPath))
            {
                File.Delete(productModelPath);
            }

            IDataView productDataView = mlContext.Data.LoadFromEnumerable<TimeSeriesData>(listToForecast);
            var singleProductDataSeries = mlContext.Data.CreateEnumerable<TimeSeriesData>(productDataView, false).OrderBy(p => p.Date);
            TimeSeriesData lastMonthProductData = singleProductDataSeries.Last();

            const int numSeriesDataPoints = 2500; //The underlying data has a total of 34 months worth of data for each product

            // Create and add the forecast estimator to the pipeline.
            IEstimator<ITransformer> forecastEstimator = mlContext.Forecasting.ForecastBySsa(
                outputColumnName: nameof(TimeSeriesForecast.NextClose),
                inputColumnName: nameof(TimeSeriesData.Close), // This is the column being forecasted.
                windowSize: 22, // Window size is set to the time period represented in the product data cycle; our product cycle is based on 12 months, so this is set to a factor of 12, e.g. 3.
                seriesLength: numSeriesDataPoints, // This parameter specifies the number of data points that are used when performing a forecast.
                trainSize: numSeriesDataPoints, // This parameter specifies the total number of data points in the input time series, starting from the beginning.
                horizon: 5, // Indicates the number of values to forecast; 2 indicates that the next 2 months of product units will be forecasted.
                confidenceLevel: 0.98f, // Indicates the likelihood the real observed value will fall within the specified interval bounds.
                confidenceLowerBoundColumn: nameof(TimeSeriesForecast.ConfidenceLowerBound), //This is the name of the column that will be used to store the lower interval bound for each forecasted value.
                confidenceUpperBoundColumn: nameof(TimeSeriesForecast.ConfidenceUpperBound)); //This is the name of the column that will be used to store the upper interval bound for each forecasted value.

            // Fit the forecasting model to the specified product's data series.
            ITransformer forecastTransformer = forecastEstimator.Fit(productDataView);

            // Create the forecast engine used for creating predictions.
            TimeSeriesPredictionEngine<TimeSeriesData, TimeSeriesForecast> forecastEngine = forecastTransformer.CreateTimeSeriesEngine<TimeSeriesData, TimeSeriesForecast>(mlContext);

            // Save the forecasting model so that it can be loaded within an end-user app.
            forecastEngine.CheckPoint(mlContext, productModelPath);
            ITransformer forecaster;
            using (var file = File.OpenRead(productModelPath))
            {
                forecaster = mlContext.Model.Load(file, out DataViewSchema schema);
            }

            // We must create a new prediction engine from the persisted model.
            TimeSeriesPredictionEngine<TimeSeriesData, TimeSeriesForecast> forecastEngine2 = forecaster.CreateTimeSeriesEngine<TimeSeriesData, TimeSeriesForecast>(mlContext);

            // Get the prediction; this will include the forecasted product units sold for the next 2 months since this the time period specified in the `horizon` parameter when the forecast estimator was originally created.
            prediction = forecastEngine.Predict();
            return prediction;
        }

TimeSeriesData имеет несколько атрибутов, а не только значение ряда, который я хочу прогнозировать. Просто интересно, учитываются ли они при прогнозировании? Есть ли лучший способ прогнозирования такого типа рядов, как LMST? Доступен ли этот метод в ML. NET?