pmdarima中auto_arima随m增大执行时间剧增的原因探究

核心原因：季节性滞后带来的矩阵计算开销 #

当设置m=365时，SARIMA模型的拟合开销剧增主要源于季节性滞后项的矩阵运算复杂度：

• SARIMA在拟合过程中，需要处理滞后m步的季节性项，这会构造一个包含大量历史数据的设计矩阵。对于m=365，这个矩阵的维度和稀疏性复杂度远高于m=7或12的情况，每一次模型拟合都要进行更耗时的矩阵分解（如QR分解），计算量呈非线性增长。
• 你的训练数据只有约两年（730天），当D=1时，季节性差分后剩余数据量仅365条左右，这种小样本+大滞后的组合会让矩阵运算的效率进一步降低——因为有效数据点少，但需要关联的历史窗口却极大。

内存错误的触发逻辑 #

使用网格搜索（stepwise=False）并设置n_jobs>4时，多个进程会并行拟合不同的候选SARIMA模型。每个模型都需要单独存储对应大滞后项的设计矩阵，m=365时单个模型的内存占用远高于小m场景，多进程并行会快速耗尽系统内存，进而引发内存错误。

对认知偏差的修正 #

你认为模型项数不依赖m所以耗时不应显著增加，这个结论忽略了拟合过程的计算复杂度。SARIMA的参数数量确实只和p,q,P,Q相关，但拟合时需要处理的历史数据窗口长度随m增大而变长，矩阵运算的时间复杂度与窗口长度的平方甚至立方相关，这才是耗时剧增的核心原因。

内容的提问来源于stack exchange，提问作者MicheleSanna