日尺度气温数据SARIMA建模季节周期取值问题咨询

• 首先说清楚：Python里常用的SARIMA实现（比如statsmodels.tsa.statespace.SARIMAX）跑不了m=365不是你参数写错了，是算法本身的设计局限：SARIMA的季节项需要显式构造间隔m期的滞后协方差矩阵，m取365的时候，矩阵维度会随样本量暴涨，直接导致内存溢出、计算时间长到根本没法用，这是经典SARIMA模型的固有问题，不是操作错误。
• 直接把季节周期设为90天完全不符合时序建模逻辑，没有合理性：
  气温序列的核心强周期是365天的年周期，90天的季度尺度只是年周期里的一个分段，根本不存在间隔90天的重复自相关规律——比如北半球1月和4月、4月和7月的气温是趋势性跳变的，根本不是同相位的周期重复，硬把m设成90，模型会错误识别周期相关性，最后残差里会留着极强的年周期没被解释，拟合和预测结果全是系统性偏差。
• 针对这种长周期日度序列的建模，有3种实际用下来靠谱的方案，不用硬卡SARIMA的参数：
  1. 改成带傅里叶外生项的ARIMA：放弃显式的季节滞后设置，用4~6阶的傅里叶正弦、余弦项构造年周期特征，当成外生变量喂给ARIMA模型就行。30年的日度气温数据用这个阶数的傅里叶项，基本能把年周期波动拟合到95%以上，计算速度和普通ARIMA没区别，完全不会有维度爆炸的问题，statsmodels、pmdarima都支持直接输入外生变量。
  2. 换支持多长周期的统计模型：如果确实要同时抓季度、年度的多尺度周期，直接用TBATS模型，原生支持嵌套的多季节周期设置，可以同时匹配不同长度的周期效应，Python的sktime、tbats库都有开箱即用的实现，不用自己改底层的滞后矩阵逻辑。
  3. 你有30年的大样本日度数据，完全可以换对长周期更友好的预测框架：比如Prophet，或者做了时序特征工程的LightGBM/XGBoost，这类模型根本不需要显式设置季节滞后阶数，把年、月、日这类时间特征构造好喂进去，就能自动捕捉不同尺度的周期规律，落地效率和效果都比硬改SARIMA参数稳得多。

补充：只有一种情况可以临时把m设成90天：你已经通过年尺度差分、去趋势操作完全剔除了序列里的365天年周期信号，而且只做90天以内的极短期预测，除此之外所有场景都不推荐这么设。

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