У меня большой набор данных с данными за много лет до 2015 года. Я могу использовать эти данные для обучения модели прогнозирования, такой как AR, MR или AR (I) MA, из statsmodels:
import statsmodels.api as sm
model = sm.tsa.ARMA(y, order=(p, q)).fit()
Iможно найти прогноз, который продолжит исходный временной ряд, найдя значение next :
yhat = model.forecast()
Тем не менее, у меня есть другая задача (и вопрос).Я хочу применить эту модель к (небольшим) данным за 2018 год без переподготовки.Цель состоит в том, чтобы получить прогноз на 1 января 2019 года с использованием данных за 2018 год и модели, подготовленной на основе данных за 1995–2015 годы.Причина заключается в том, что в данных имеется пробел, а также обучение модели является трудоемкой процедурой.Я хочу избежать повторного обучения всей модели с использованием огромного набора данных после каждого нового значения данных, которое я получаю.
Как правило, пакеты машинного обучения, такие как scikit-learn, явно разделяют данные поезда и данные испытаний.Их функция прогнозирования применяется к набору данных испытаний, который отличается от набора данных о поездах.Часто они предоставляют решающую функцию , которая использует параметры модели для вывода результата.
Что такое решающая функция для AR, MR и AR (I) MAмодели прогнозирования, которые используют коэффициенты обученной модели, чтобы вывести прогнозируемое значение?Существует ли какая-нибудь формула , которая опирается на коэффициенты AR (I) MA и может использоваться для прогнозирования, например
yhat = forecast_function(y_test, model.coeff1, model.coeff2, ...)