我正在尝试网格搜索，通过在statsmodels中使用SARIMAX()方法拟合SARIMAX（p，d，q）x（P，D，Q，s）模型来执行模型选择。我将d和D设置为1并将s设置为7并迭代p中的{0, 1}，q中{0, 1, 2}的值{}}中的P，{0, 1}中的Q和{0, 1}中的trend，共有48次迭代。在模型拟合阶段，如果参数的任何组合导致非平稳或不可逆模型，我将转到下一个参数组合。
我有一套时间序列，每个时间序列代表一个代理人随时间的表现，包括每周季节性的83次（每日）测量。我保留90％的数据用于模型拟合，最后10％用于预测/测试目的。
我发现在网格搜索期间的模型拟合需要很长时间，大约11 分钟，对于几个代理，而相同的48次迭代花费的时间少得多，少于10 秒，其他人。
但是，如果在执行我的网格搜索之前，我对与分析需要很长时间的代理相对应的数据进行对数转换，相同的48次迭代需要大约15 秒！然而，尽管我喜欢加速因子，但与使用原始（即不是对数变换）数据的情况相比，最终预测结果更差。所以，我宁愿将数据保留为原始格式。
我的问题如下：
导致某些时间序列减速的原因是什么？
有没有办法通过赋予{None, 'c'}或SARIMAX()某些参数来加速模型拟合？我试过SARIMAX.fit()，在州空间构建一个较小的模型，将时间从11分钟减少到6分钟，但这仍然太长了。
我很感激任何帮助。