如何在SARIMA模型中融入多特征实现日提前样本内预测？

修改后的完整代码 #

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import statsmodels.api as sm

# 提取特征和目标变量
data = allmerged[['lagged_actual_total_load_MW', 'DA_total_load_MW', 'DA_onshore_wind_MW', 'DA_offshore_wind_MW', 'DA_solar_MW', 'lagged_actual_wind_offshore_MW', 'lagged_actual_wind_onshore_MW', 'lagged_actual_solar_MW', 'DA_price']]
y = allmerged['imbalance_MW']

# 拆分训练集和测试集（目标变量+外生特征）
size = int(len(allmerged) - 96)
train_y, test_y = y[0:size], y[size:]
train_exog, test_exog = data.iloc[0:size], data.iloc[size:]

print('\t SARIMAX MODEL : Multi-Feature Day-Ahead Forecasting \n')

# 维护目标变量和外生特征的历史数据
history_y = [x for x in train_y]
history_exog = train_exog.values.tolist()  # 转换为列表方便逐行追加
predictions = []

for t in range(len(test_y)):
    # 传入历史目标变量+历史外生特征训练模型
    model = sm.tsa.statespace.SARIMAX(history_y, 
                                      exog=history_exog,
                                      order=(1,0,1),
                                      seasonal_order=(1,1,1,4))
    model_fit = model.fit(disp=0)
    
    # 预测时传入当前测试样本的外生特征
    output = model_fit.forecast(exog=[test_exog.iloc[t]])
    
    yhat = output[0]
    predictions.append(float(yhat))
    
    # 更新历史数据：追加当前测试样本的真实值和对应的外生特征
    obs_y = test_y.iloc[t]
    obs_exog = test_exog.iloc[t].values.tolist()
    history_y.append(obs_y)
    history_exog.append(obs_exog)
    
    print('predicted = %f, expected = %f' % (np.exp(yhat), np.exp(obs_y)))

# 可视化结果
predictions_series = pd.Series(predictions, index=test_y.index)
fig, ax = plt.subplots(figsize=(15,5))
plt.plot(y, label='Expected Values')
plt.plot(np.exp(predictions_series), label='Predicted Values')
plt.legend(loc="upper left")
plt.show()

关键改动说明 #

• 拆分外生特征的训练/测试集：同步拆分目标变量y和特征集data，保证时序严格对齐。
• 传入外生特征到模型：初始化SARIMAX时通过exog参数传入历史外生特征，让模型训练时能利用多维度信息。
• 预测时传入对应外生特征：调用forecast()必须传入当前测试样本的外生特征，否则模型无法基于多特征生成预测结果。
• 维护外生特征的历史数据：和目标变量的历史列表同步更新，每次迭代后追加当前测试样本的真实特征，保证下一轮训练的历史数据完整性。

额外注意事项 #

• 确保所有外生特征与目标变量的时序完全匹配，避免索引错位导致模型报错。
• 提前处理特征的缺失值、异常值，否则会干扰模型拟合效果。
• 原代码中使用np.exp()，推测目标变量y经过了对数转换，需保证预测值的逆变换逻辑与真实值处理一致。

内容的提问来源于stack exchange，提问作者J1999