python - 如何执行不涉及重新拟合ARIMA模型的多步时差预测？

Question

我已经有一个适合使用python的时间序列数据(例如，data[0:100])的ARIMA(p，d，q)模型。我想使用此模型进行预测(forecast[100:120])。但是，鉴于我也有将来的真实数据(例如data[100:120])，如何确保多步预测将我拥有的将来的真实数据考虑在内，而不是使用其预测的数据？

本质上，当进行预测时，我希望使用forecast[101]而不是data[100]来计算forecast[100]。

我想避免在每个时间步都用更新的“历史记录”来重新拟合整个ARIMA模型。

我适合ARIMAX模型，如下所示:

train, test = data[:100], data[100:]
ext_train, ext_test = external[:100], external[100:]
model = ARIMA(train, order=(p, d, q), exog=ext_train)
model_fit = model.fit(displ=False)

现在，以下代码使我可以预测整个数据集的值，包括测试

forecast = model_fit.predict(end=len(data)-1, exog=external, dynamic=False)

但是，在这种情况下，经过100步后，ARIMAX预测值会迅速收敛到长期平均值(如预期的那样，因为经过100步后，它仅使用预测值)。我想知道是否有办法提供“ future ”的真实值(value)，以提供更好的在线预测。类似于以下内容:

forecast = model_fit.predict_fn(end = len(data)-1, exog=external, true=data, dynamic=False)

我知道我总是可以通过以下方式不断调整ARIMAX模型:

historical = train
historical_ext = ext_train
predictions = []

for t in range(len(test)):
    model = ARIMA(historical, order=(p,d,q), exog=historical_ext)
    model_fit = model.fit(disp=False)
    output = model_fit.forecast(exog=ext_test[t])[0]
    predictions.append(output)
    observed = test[t]
    historical.append(observed)
    historical_ext.append(ext_test[t])

但这导致我一次又一次地训练ARIMAX模型，这对我来说意义不大。它导致使用大量的计算资源，并且是不切实际的。这进一步使得很难评估ARIMAX模型，因为拟合的参数会在每次迭代中不断变化。

我对ARIMAX模型的理解/使用是否存在某些错误？

Answer 1

我正在为这个问题而苦苦挣扎。幸运的是，我发现了一个非常有用的讨论。据我所知，Python中的ARIMA不支持这种情况，我们需要使用SARIMAX。

您可以引用讨论链接:https://github.com/statsmodels/statsmodels/issues/2788