运行SARIMAX时序预测代码出现MemoryError，寻求解决方案

问题根源 #

你当前的代码在每次循环中都基于不断增长的history重新初始化并训练SARIMAX模型。随着循环次数增加，history的长度持续变大，Statsmodels的SARIMAX在构建状态空间模型时需要分配的数组规模（如报错中的(51, 51, 40169)）也会线性增长，最终导致内存耗尽。

解决方案 #

• 使用SARIMAX的在线更新能力（最优方案）
  不需要每次从头训练模型，Statsmodels的SARIMAX拟合结果支持通过append方法更新历史数据，复用已有模型参数，避免重复分配大内存数组：

  # 初始训练一次模型
  model = SARIMAX(train_series, order=(1,1,1), seasonal_order=(1,1,1,24), 
                  enforce_stationarity=False, enforce_invertibility=False)
  model_fit = model.fit()
  
  sarima_preds = []
  
  for t in range(len(test_series)):
      # 直接预测下一个值
      output = model_fit.forecast()
      sarima_preds.append(output[0])
      # 更新模型历史数据，不重新训练
      model_fit = model_fit.append(test_series[t], refit=False)
  
  sarima_pred_series = pd.Series(sarima_preds, index=test_series.index)
  

  这里的核心是refit=False，它会跳过重新拟合步骤，仅更新状态空间的历史信息，内存占用会保持稳定。

• 降低数据精度
  将数据从float64转为float32，直接减少一半内存占用，适用于对精度要求不高的场景：

  train_series = train_series.astype('float32')
  test_series = test_series.astype('float32')
  

• 限制训练历史长度
  如果业务场景允许丢弃早期历史数据，可以在循环中固定history的最大长度，避免数据集无限增长：

  sarima_preds = []
  history = [x for x in train_series]
  max_history_len = 1000  # 根据实际情况调整
  
  for t in range(len(test_series)):
      model = SARIMAX(history, order=(1,1,1), seasonal_order=(1,1,1,24), 
                      enforce_stationarity=False, enforce_invertibility=False)
      model_fit = model.fit()
      output = model_fit.forecast()
      sarima_preds.append(output[0])
      
      history.append(test_series[t])
      # 截断历史数据，保持固定长度
      if len(history) > max_history_len:
          history = history[-max_history_len:]
  
  sarima_pred_series = pd.Series(sarima_preds, index=test_series.index)
  

内容的提问来源于stack exchange，提问作者Sonu Kumar