我的数据包含 21 周的每日销售额（17 周的训练数据，4 周的验证数据），并且想要预测下周的每日销售额，例如站在第 10 周的星期一，我想用第 1-9 周的数据在 python 中预测第 11 周的每日销售额。
由于在目标日期之前缺少 1-2 周的数据（对于第 11 周星期一，我错过了滞后 1-7，对于第 11 周星期日，我错过了滞后 1-13），我应该如何构建自变量，数据结构或配置 arima 模型，以便在训练数据中可以反映缺失的日期，并且不会将最近的滞后作为输入？
谢谢！
【问题讨论】：
标签： python data-structures time-series lag arima
我在这里看到了两种可能性。
我假设您正在使用 statsmodels ARIMA 类。您可以在定义订单时指定 ARIMA 应该使用哪些滞后。例如，如果您提供order=(4,0,0)，它将使用最后四个滞后作为自回归组件。如果你给order=([1,0,1,1],0,0)，它只会使用最后一个、第三个和第四个倒数滞后，而忽略倒数第二个。在[] 中，您可以使用 1 定义要使用的滞后，以及使用 0 忽略特定组件的滞后。
您可以使用插补来填充缺失值。有很多方法可以做到这一点，您需要为您的用例找到一个好的方法，对于初学者，您可以在这里查看：https://machinelearningmastery.com/statistical-imputation-for-missing-values-in-machine-learning/
我不知道你的用例，但我建议第二种方式。
【讨论】：