Python3 statsmodels ARMAX预测而不在每次迭代中调用.fit（）都会导致错误

Question

我目前正在使用Python的statsmodels 0.10.0中的ARMA和ARMAResults类来为我的论文预测电力负荷的时间序列。我花了一些时间来找出如何进行迭代预测，而无需在每次迭代中都调用.fit()（我仍然不确定是否有更好的方法）。我使用类似以下的方法来获得24小时的预测，并且每次迭代中还有一个时间步长的数据：

from statsmodels.tsa.arima_model import ARMA
data = getData(0) # data up to start point
arma_result = ARMA(data,order=(p,q)).fit(trend='c')
fit_params = arma_result.params
fc = [arma_result.forecast(steps=24)[0][-1]]

for i in range(1,n+1):
    data = getData(i)
    arma = ARMA(data,order=(p,q))
    arma.method = 'css-mle'
    arma_result.initialize(arma,fit_params)
    fc.append(arma_result.forecast(steps=24)[0][-1])

到目前为止，此方法仍然有效，但是如果我再添加外来数据，则会收到错误消息：

builtins.ValueError: all the input array dimensions for the concatenation axis must match exactly, but along dimension 1, the array at index 0 has size 0 and the array at index 1 has size 1  

当在arima_model模块的.vstack()方法的开头调用numpy的.forecast()时，我并不真正理解该错误。

使用从中获取错误的外来数据的MWE代码看起来像这样（经过测试，它给出的错误与针对我的代码的错误相同：]

from statsmodels.tsa.arima_model import ARMA
pq = (1,0)
data = np.random.random(100) + np.arange(1,101,1)
armax_result = ARMA(data,order=pq,exog=list(range(len(data)))).fit(trend='c')
fit_params = armax_result.params
fc = [armax_result.forecast(steps=24,exog=list(range(len(data),len(data)+24)))[0][-1]]

for i in range(1,24):
    data = np.append(data,[np.random.random()+len(data)])
    armax = ARMA(data,order=pq,exog=list(range(len(data))))
    armax.method = 'css-mle'
    armax_result.initialize(armax,fit_params)
    fc.append(armax_result.forecast(steps=24,exog=list(range(len(data),len(data)+24)))[0][-1])

我还考虑过在每次迭代中使用.fit()进行滚动预测，但是由于我要训练的数据很多，并且我希望预测8000点，因此这将花费太长时间，并且可能不会导致明显更好的预测效果。还有一点：我使用pandas date_range作为索引，为简单起见，我在这里省略了这一点/在.forecast()方法中将其替换为range()术语，因为它对错误没有任何改变。如果您需要任何其他信息，我会尽可能提供它，因为我非常渴望找到解决此问题的方法。

Answer 1

[我发现，如果包含常量，则数据会进行某种形式的调整，因此，如果我只是将trend方法中的.fit()参数设置为'nc'，那似乎就可以了：

from statsmodels.tsa.arima_model import ARMA
pq = (1,0)
data = np.random.random(100) + np.arange(1,101,1)
armax_result = ARMA(data,order=pq,exog=list(range(len(data)))).fit(trend='nc')
fit_params = armax_result.params
fc = [armax_result.forecast(steps=24,exog=list(range(len(data),len(data)+24)))[0][-1]]

for i in range(1,24):
    data = np.append(data,[np.random.random()+len(data)])
    armax = ARMA(data,order=pq,exog=list(range(len(data))))
    armax.method = 'css-mle'
    armax_result.initialize(armax,fit_params)
    fc.append(armax_result.forecast(steps=24,exog=list(range(len(data),len(data)+24)))[0][-1])

否则，如果包含一个常数，则必须使用.fit()中的add_trend()方法按照在statsmodels.tsa.tsatools方法中的方式进行组织。如果我正确理解它，那么常量将被追加。但是，我仍然有一个问题，那就是这不是一个合适的解决方案，因为调用.fit()时受影响的所有变量（例如，fittedvalues）都不会使用我的解决方案进行更新。进一步地，与R中相同的数据和模型进行比较，得出的结果看起来比预期的要多得多，这使我很难过可能在某个地方犯了某种错误。

我非常感谢您的帮助，因为此解决方案似乎无法正常工作！