我拥有一个庞大的数据集，其中包含截至2015年的多年数据。我可以使用这些数据从statsmodels中训练出诸如AR，MR或AR（I）MA的预测模型：
import statsmodels.api as sm
model = sm.tsa.ARMA(y, order=(p, q)).fit()
通过找到 next 值，我可以找到将继续原始时间序列的预测：
yhat = model.forecast()
但是，我有不同的任务（和问题）。我想将此模型应用于2018年的（小型）数据，而无需重新培训。目标是使用2018年的数据和基于1995-2015年的数据训练的模型来获得2019年1月1日的预测。原因是数据之间存在差距，并且模型训练也是一个耗时的过程。我想避免在收到每个新数据值后使用庞大的数据集重新训练整个模型。
通常，机器学习包（例如scikit-learn）明确地将训练数据和测试数据分开。它们的预测功能应用于与火车数据集不同的测试数据集。通常，它们提供一个决策函数，该函数使用模型的参数来推断结果。
使用预测模型的系数来推断预测值的AR，MR和AR（I）MA预测模型的决策函数是什么？是否有一些公式依赖于AR（I）MA系数，并且可以像
一样用于预测yhat = forecast_function(y_test, model.coeff1, model.coeff2, ...)