我有一个时间序列预测问题，我正在使用statsmodels python包来解决。使用AIC标准进行评估，最佳模型变得非常复杂，类似于ARIMA（27,1,8）[我还没有对参数空间进行详尽的搜索，但它似乎处于最小值在那附近]。我在使用此模型进行验证和预测时遇到了麻烦，因为训练单个模型实例需要很长时间（小时），因此进行重复测试非常困难。
在任何情况下，我真正需要的是为了能够在操作中使用statsmodel（假设我可以首先以某种方式验证模型）是一种机制，用于在新数据到达时合并以便制作下一组预测。我希望能够在可用数据上拟合模型，对其进行选择，然后在下一个数据点可用时进行解开，并将其合并到更新的预测集中。目前，每当新数据可用时，我都必须重新调整模型，正如我所说，这需要很长时间。
我看了一下this question，它基本上解决了我对ARMA模型的问题。然而，对于ARIMA情况，存在增加的数据复杂性的差异。我需要能够生成原始时间序列的新预测（在ARIMAResultsWrapper.predict方法中为c ='typ =＆＃39; levels＆＃39;关键字）。我的理解是，statsmodels目前无法做到这一点，但我需要使用现有功能的哪些组件才能自己编写一些内容？
编辑：我也在使用transparams = True，因此预测过程需要能够将预测转换回原始时间序列，这是自制方法中的另一个难点。
答案 0 :(得分：0)
ARIMA（27,1,8）模型在事物的方案中非常复杂。对于大多数时间序列，您可以使用五个左右的参数进行合理的预测。当然这取决于数据和领域，但我非常怀疑27 + 8 = 35个参数是必要的。
偶尔会知道AIC对参数的数量过于宽松。我尝试将结果与BIC进行比较。
我还会调查您的数据是否具有某种季节性。例如，这些AR术语中的所有27个都不重要，你真的只需要滞后= 1，滞后= 24（例如）。对于每日季节性的小时数据可能就是这种情况。