我现在在 24 CPU 200+GB RAM 云服务器上的 20 000 个元素数据集上拟合 ARIMA 模型（来自 statsmodels）超过 24 小时。它加载所有CPU。但它需要这么长时间......它是如何工作的还是这里有什么问题？
p,d,q 只是数字
from statsmodels.tsa.arima_model import ARIMA
for t in range(len(test)):
model = ARIMA(history, order=(p, d, q))
model_fit = model.fit(disp=1)
output = model_fit.forecast()
yhat = output[0]
predictions.append(yhat)obs = test[t]
history.append(obs)
您可以在下面找到一个已解决的示例（在温度属性的单变量版本上），使用 statsmodels ARIMA，在尝试数小时后甚至无法完成执行。
关于性能问题，您可以选择使用另一个高效的库，如 Keras 和 Tensorflow 建模一个对时间序列数据有用的 LSTM，它能够处理如此多的样本而不会出现性能问题。
该数据集包含 420551 个样本，使用 ARIMA statsmodels 方法通过前向验证非常昂贵......您可以提取温度值以执行单变量时间序列预测。
请参阅下面的示例（基于本教程），暂时将超参数化放在一边，您可以训练近 50 万个时间序列样本而不会出现性能问题（您可以在 google colab 上免费试用以获得更快的检查）。从教程中的示例中，您应该特别注意：
def univariate_data（数据集，start_index，end_index，history_size，target_size）：
data = []
labels = []
start_index = start_index + history_size
if end_index is None:
end_index = len(dataset) - target_size
for i in range(start_index, end_index):
indices = range(i-history_size, i)
#### Reshape data from (history_size,) to (history_size, 1)
data.append(np.reshape(dataset[indices], (history_size, 1)))
labels.append(dataset[i+target_size])
return np.array(data), np.array(labels)
其中，使用 20 个样本作为最近的历史来预测您可以使用的下一个值：
univariate_past_history = 20
univariate_future_target = 0
x_train_uni, y_train_uni = univariate_data(uni_data, 0, TRAIN_SPLIT,
univariate_past_history,
univariate_future_target)
x_val_uni, y_val_uni = univariate_data(uni_data, TRAIN_SPLIT, None,
univariate_past_history,
univariate_future_target)
有类似的东西：
模型的定义方式：
simple_lstm_model = tf.keras.models.Sequential([ tf.keras.layers.LSTM(8, input_shape=x_train_uni.shape[-2:]), tf.keras.layers.Dense(1) ])
通过简单地预测历史值的平均值与基线模型进行比较，您有：
