Python：如何使用已拟合的ARIMA模型对未知数据进行滚动预测

你需要的固定参数滚动预测可以通过ARIMA拟合结果对象自带的extend（0.13+版本）/append（0.12及更早版本）方法实现，该方法仅用已训练好的模型参数更新观测序列状态，不会重新拟合，完全满足实时预测的性能要求。

具体实现代码示例 #

import pandas as pd
from statsmodels.tsa.arima.model import ARIMA

# 1. 初始拟合固定参数模型，仅执行一次
# 假设全量数据的value列为时间序列值，索引为连续顺序索引
train_data = df.iloc[:7000]['value']
# 替换为你自己的p/d/q参数
arima_model = ARIMA(train_data, order=(1,1,1))
# 拟合后的res对象全程复用，不需要再次调用fit
fitted_res = arima_model.fit()

# 2. 第一次预测：得到7001~7004的4步预测结果
first_pred = fitted_res.forecast(steps=4)

# 3. 拿到新观测数据（索引7001的真实值）后更新模型状态
new_observed = df.iloc[7000:7001]['value']
# extend方法传入新增观测，refit设为False保证不重新拟合模型参数
# 0.12及更早版本替换为 fitted_res.append(new_observed, refit=False)
fitted_res = fitted_res.extend(new_observed, refit=False)

# 4. 第二次预测：得到7002~7005的4步预测结果
second_pred = fitted_res.forecast(steps=4)

# 后续滚动迭代重复步骤3、4即可

核心注意事项 #

• 必须设置refit=False，否则模型会用全量历史+新增数据重新估计参数，不符合固定模型的需求
• 单次可以传入任意长度的新增观测序列，不需要逐条传入，方法会自动更新内部状态
• 如果使用带外生变量的ARIMAX模型，调用extend时需要同步传入新增观测对应的外生变量值，维度需和训练时保持一致

内容的提问来源于stack exchange，提问作者c_m_conlan