我认为一个很好的方法是通过贝叶斯结构时间序列（BSTS）。我通过这两个站点（ 1、2）发现了这种方法。我仍然会对其他方法感兴趣。

这是使用 R 中的 bsts 包完成的示例。我使用时间序列组件和回归组件。回归组件包含先验信息。在回归组件上使用堆栈和平板先验。

下面是时间序列特征图。为了测试BSTS的特征选择能力，我故意将C与其他特征和响应变量（D）不同。

下图显示 BSTS 模型正确地观察到特征 C 对预测 D 没有用处。

实际（蓝色）与预测（红色）

代码如下：

library(ggplot2, bsts, ggplotly, data.table)

# generate some data
set.seed(1)
n = 20
train_size = 10
A = seq(1,n) + rnorm(n)
B = seq(1,n) + rnorm(n)
# this variable is not like the others
C = rnorm(n) + 5*sin(seq(1,n))
D = seq(1,n) + rnorm(n)
X = data.table(A, B, C, D)
# transform the data for ggplot
long_data = melt(X)
m[, t := seq_len(.N), by = variable]
g1 = ggplot(data=m, aes(x=t, y=value, colour=variable)) + geom_line() + labs(title="Evolution of Parameters over Time")
ggplotly(g1)
#break the data into training/testing data
train_ind = seq(1,train_size)
train_X = X[train_ind,]
test_X = X[-train_ind,]


ss <- AddLocalLinearTrend(list(), train_X$D)
model4 <- bsts(D ~ .,
               state.specification = ss,
               niter = 1000,
               data = train_X,
               expected.model.size = 3) 
plot(model4, "components")
# observe that the model can tell that C isn't strongly related to D, but A and B are. 
plot(model4, "coef")
pred4 <- predict(model4, newdata = test_X, horizon = 24)
# plot predictions, vs actual (in red)
plot(pred4, ylim=c(0,50))
lines((max(train_ind)+1):nrow(X), test_X$D, col="red")

好问题！

“我能否以某种方式将我的 ARIMA 预测与这些先验信息结合起来形成一个整体预测？”

我参与了一个名为 AUTOBOX 的商业时间序列预测包，并结合了 delphi 类型的预测器序列，其中用户提供间隔概率，然后将其用于 monte-carlo 输入序列未来值的一系列可能值，其中用户通常会根据完全的知识提供 1 分的估计。

然后，以这种方式开发的“实现”与 arima 模拟相互连接，为相关系列提供一系列集合预测值，这些预测值也可能受到在分析阶段通过干预检测方案识别的可能异常的影响。

您应该能够像我所做的那样使用此建议进行编程。当可以“预先猜测”预测变量序列分布时，这个问题/机会就会很自然地出现，例如下一个时期石油价格的替代假设。拥有像这样的先验知识，可以从替代产品中选择那些具有最大预期回报的产品。