1. 我可以从预测库中建议auto.arima函数，如果您是 R 用户，如果您是 Python 用户，请点击此链接。您所需要的只是编写简单的 for 循环，它允许您在不同的地理位置构建最佳 ARIMA 模型：

      for (my_time_series in set_of_all_time_series){
           model=auto.arima(my_time_series )
            }
   

2. 您可以通过相关性对时间序列进行聚类（确保您的时间序列是固定的，以避免虚假相关）。如果这减少了时间序列的数量（这将取决于相关性的阈值），您可以从每个类中获取任何 1 个成员，构建任何模型（不仅是 ARIMA）并将模型结果应用于该类的每个成员。

3. 合约VAR模型

对于这种情况，您有什么建议的方法？
在这个领域的经验？

另一种非常流行的方法（除了@user112358 的建议）是使用神经网络，尤其是LSTM - RNN，因为它们具有固有的“记忆”能力。在处理时间序列（例如预测产品销售）时，循环神经网络是一个非常好的候选者，因为它们是唯一可以模拟系统动态的神经网络变体。

可以在此处找到有关如何快速制作此类​​算法原型的内容丰富的教程，该教程针对使用 Python 的 Keras API。我强烈建议您检查它，因为它对我个人帮助很大。它也适用于洗发水销售数据集，这正是您正在寻找的案例研究。