我已经使用Python拟合了一个ARIMA（p，d，q）模型，该模型适用于时间序列数据（例如，
实质上，在进行预测时，我希望使用
我希望避免在每个时间步骤上重新拟合整个ARIMA模型以更新“历史”数据。
我按以下方式拟合ARIMAX模型：
现在，以下代码允许我预测整个数据集的值，包括测试数据。
但是这导致我不断地训练ARIMAX模型，这对我来说没有太多意义。这会使用大量计算资源，非常不实用。此外，由于每次迭代拟合参数都会发生变化，这进一步使评估ARIMAX模型变得困难。
我的ARIMAX模型的理解/使用是否存在问题？
data[0:100]）。 我想使用此模型进行预测（forecast[100:120]）。但是，考虑到我还有未来的真实数据（例如：data[100:120]），我该如何确保多步预测考虑到我拥有的未来真实数据，而不是使用它预测的数据？实质上，在进行预测时，我希望使用
data[100]而不是forecast[100]来计算forecast[101]。我希望避免在每个时间步骤上重新拟合整个ARIMA模型以更新“历史”数据。
我按以下方式拟合ARIMAX模型：
train, test = data[:100], data[100:]
ext_train, ext_test = external[:100], external[100:]
model = ARIMA(train, order=(p, d, q), exog=ext_train)
model_fit = model.fit(displ=False)
现在，以下代码允许我预测整个数据集的值，包括测试数据。
forecast = model_fit.predict(end=len(data)-1, exog=external, dynamic=False)
但是在这种情况下，经过100步之后，ARIMAX预测值很快会收敛到长期均值（如预期那样，因为在100个时间步之后，它仅使用了预测值）。我想知道是否有一种方法可以提供“未来”的真实值以获得更好的在线预测。大致上是这样的：
forecast = model_fit.predict_fn(end = len(data)-1, exog=external, true=data, dynamic=False)
我知道可以通过以下方法不断调整ARIMAX模型：
historical = train
historical_ext = ext_train
predictions = []
for t in range(len(test)):
model = ARIMA(historical, order=(p,d,q), exog=historical_ext)
model_fit = model.fit(disp=False)
output = model_fit.forecast(exog=ext_test[t])[0]
predictions.append(output)
observed = test[t]
historical.append(observed)
historical_ext.append(ext_test[t])
但是这导致我不断地训练ARIMAX模型，这对我来说没有太多意义。这会使用大量计算资源，非常不实用。此外，由于每次迭代拟合参数都会发生变化，这进一步使评估ARIMAX模型变得困难。
我的ARIMAX模型的理解/使用是否存在问题？