ARIMA电价预测与置信区间：Matlab完整实现与工程实践

电价预测这件事，在电力行业里被翻来覆去说了很多年，但我发现真正能落到代码层面、把完整链路跑通的人其实不多。很多同学一上来就问“哪个模型预测最准”，真正上手之后才发现，数据预处理、模型定阶、残差检验、置信区间计算这些环节，每一步都能卡你几天。这篇笔记我想好好聊聊我基于ARIMA做电价预测的完整过程，并且把置信区间一起算出来，全程使用Matlab实现。ARIMA模型本身不新鲜，但它对电价这种具有强自相关性、周期波动明显的时间序列，依然是最稳定、最易解释的基线方案之一。而置信区间这个东西，在电价预测场景里比点预测更值得关注——交易决策、报价策略、风险评估都需要知道“预测值有多大的可信度”，只给一个孤零零的数字没有任何决策参考价值。

这篇文章的地基就是一套可以直接复用的Matlab代码框架，从数据读入、预处理、平稳性检验、模型定阶、参数估计、残差诊断、预测输出，到最后的置信区间可视化和误差评估，通通都有。适合这几类读者：正在做电力市场方向研究的研究生、需要搭建短期电价预测模型的能源数据分析师，以及所有想搞清楚“ARIMA预测置信区间到底是怎么算出来、又该怎么画”的Matlab使用者。我尽量把每个环节为什么要这么做、碰到问题怎么排查讲透，而不是丢几个函数就完事。

1. 为什么用ARIMA做电价预测：从数据特征到技术选型

1.1 电价数据的典型特征

先摆事实。不管是电力现货市场的小时级出清电价，还是日前市场的时间序列数据，电价序列都表现出几个非常突出的共性特征。

第一是强周期性。日周期基本没跑，白天高、凌晨低，峰谷差异非常明显；周周期也很常见，工作日和周末的用电模式完全不同；部分地区还有明显的季节效应，夏冬两季因为空调和取暖负荷，电价整体会被抬高。这种多层次周期嵌套的结构，决定了电价序列的自相关函数（ACF）会呈现长尾衰减、间隔跳动的形态。

第二是波动剧烈且存在极端值。负荷突变、发电机组检修、新能源出力波动、极端天气，都会让电价瞬间冲到很高的位置或者砸到地板价。欧洲部分电力市场甚至出现过负电价，这就是典型的重尾分布和尖峰厚尾特征。

第三是明显的非平稳性。均值会随着季节漂移，方差也不恒定，尤其是白天和夜里的波动幅度根本不在一个量级上。这一点直接决定了我们不能拿原始序列直接套ARIMA，必须先做平稳性检验和必要的差分转换。

这三条特征和ARIMA的适用条件是匹配的。ARIMA本质上是在捕捉时间序列自身的线性自相关结构，通过差分处理把非平稳序列转成平稳序列，再对残差做自回归（AR）和滑动平均（MA）建模。电价序列的自相关结构恰恰是这个模型能吃得下、也解释得清楚的。

1.2 ARIMA与其他方法的取舍逻辑

有人说，现在深度学习这么热门，LSTM、Transformer都往电价预测上堆，为什么还要用ARIMA这种“老古董”？

我的理由非常务实。首先是数据量的现实约束。很多场景下我们拿到的有效历史数据可能只有几个月到一两年的时间跨度，以小时级数据为例就是几千个点，这个数据量训练深度学习模型很容易过拟合，泛化表现远不如ARIMA。其次是可解释性需求。ARIMA的每个参数都有明确的统计学含义，残差是否白噪声、模型是否充分拟合都有对应的检验工具，这在写分析报告、做学术研究答辩时非常有用。最后是基线的参考价值。在实际项目中，我从来不会只跑一个模型就交付，ARIMA预测结果通常作为性能基线，之后无论用什么复杂模型，都要先过ARIMA这一关，连ARIMA都比不过的模型没有上线意义。

当然，如果数据能稳定积累到较大的规模，并且预测目标是超短期的多步滚动预测，LSTM、Transformer这类模型确实可能表现更好。但常规情况下，ARIMA加置信区间这套组合拳，是小样本电价预测的首选方案，成本低、周期短、易复现。

1.3 置信区间才是电价预测的“刚需”

先明确概念。点预测给出的是“未来某个时刻电价最可能的值”，比如“明天下午3点电价估计是420元/兆瓦时”。区间预测给出的则是“明天下午3点电价有95%的概率落在[360, 480]元/兆瓦时之间”。

做电力交易的人都知道，点预测只是参考，区间才是决策依据。报高价还是报低价，要不要签金融合约，甚至产线要不要在某个时间段停下来避峰，这些决策背后的核心问题是“最坏情况会亏多少”，而不是“平均值是多少”。置信区间直接把预测的不确定性翻译成了决策者可读的风险范围。

ARIMA模型的置信区间还有一个很有意思的特性：预测步长越长，区间越宽，因为误差会累积。这非常直观地反映了远期预测的不确定性比近期大，是个很“诚实”的模型。后面我会详细讲Matlab里怎么把它算出来、画出来。

2. 电价数据准备与预处理全流程

2.1 数据获取与格式整理

我这里用一份标准的现货电价小时级数据来演示。数据包含两列：一列是时间戳（datetime类型），另一列是电价（double类型），单位是元/兆瓦时。拿到原始数据后第一件事不是建模，而是把数据结构搞清楚：时间间隔是否均匀、有没有缺失、时间戳时区是否统一、是否包含重复记录。

Matlab里我习惯把数据读入为timetable或者直接用两个等长的向量保存。这里有一段数据读取的参考代码：

% 读取CSV格式的电价数据 data = readtable('electricity_price.csv'); % 确保时间是datetime格式 data.Time = datetime(data.Time, 'InputFormat', 'yyyy-MM-dd HH:mm'); % 剔除NaN行 data = rmmissing(data); % 取电价序列，并转成列向量 price = data.Price(:); T = length(price); % 简单看一眼数据范围 fprintf('数据长度: %d, 电价范围: [%.2f, %.2f]\n', T, min(price), max(price));

这一步的隐性价值很多人都忽略了。数据格式不统一会直接导致后续adftest、estimate等函数报错或结果失真，检查一个完整的数据结构往往比调模型参数更花时间。我在实际项目里，数据清洗经常能占到整个项目周期三分之一的时间。

2.2 缺失值与异常值处理策略

电价数据最常见的缺失原因包括采集设备故障、通信中断、系统升级等。对于缺失值，我的处理优先级是：首先看缺失比例，如果单段缺失不超过总长度的1%，可以直接用线性插值填补；如果缺失集中在某一天且周围数据趋势明显，用前一天同时刻和当天前后时刻的加权平均效果也不错。重点提醒一句：填缺失值永远只能用历史数据或者未来少量邻域数据，绝不要用整段训练集的均值去填，那样会严重低估波动性，破坏序列的时序相关性。

异常值方面，电价的“异常”要相对地看。一个突然冲到2000元/兆瓦时的点，在夏季用电高峰可能是正常的，在平时就是明显的离群点。我的做法是先用滑动窗口算局部均值和标准差，把超过“局部均值±5倍局部标准差”的点标记出来，再逐个判断是真实市场行为还是数据质量问题。真实市场行为的极端值我倾向于保留，因为电价预测模型需要见过这种极端情况才能有合理的区间估计；如果是数据录入错误（比如小数点错位、符号错误），直接修正或剔除。

2.3 平稳性检验与差分处理

ARIMA建模之前有一个绕不开的门槛：序列必须平稳。严格意义上的平稳要求均值、方差都不随时间变化，自协方差只与时间间隔有关。电价序列显然不满足，所以我们有两条路：差分转换或者对数转换。

Matlab里做单位根检验非常方便：

% 对原始序列做ADF检验 [h, pValue] = adftest(price); fprintf('原始序列 ADF检验: h=%d, p值=%.4f\n', h, pValue); % 如果p值大于0.05，说明不能拒绝单位根假设，序列非平稳 % 此时做一阶差分 if h == 0 diff_price = diff(price); [h2, p2] = adftest(diff_price); fprintf('一阶差分后 ADF检验: h=%d, p值=%.4f\n', h2, p2); end

大多数情况下，电价序列一阶差分后就能通过平稳性检验。这里还有一个细节：如果你的数据有明显的年度或季节趋势，光靠一阶差分可能不够，需要考虑季节差分，或者干脆改用SARIMA。但小时级电价预测通常是短周期滚动，差分阶数d=1基本够用，d=2会导致信息损失过大，很少用。

2.4 训练集与测试集划分的“时间意识”

这一点我必须啰嗦几句，因为太多人在这里踩坑。时间序列的交叉验证和普通机器学习有本质区别——不能随机打乱数据，必须按时间顺序切分。否则你就是在用“未来的数据”去预测“过去的电价”，这叫前视偏差，得到的误差指标会虚低，没有任何实际参考价值。

我的划分习惯是：按照8:2的比例把序列分成训练集和测试集，但划分边界一定要是“最后20%的时间段”而不是“随机抽20%的数据点”。如果要做更严谨的评估，可以用滚动时间窗交叉验证：比如用前6个月训练预测下1天，然后窗口向前滚动一周，重复多次取平均误差。这样做出来的RMSE、MAE才有说服力。

3. ARIMA建模核心细节：定阶、估计、诊断

3.1 用ACF和PACF图判断p和q的阶数

ARIMA模型里最核心的三个参数是p（自回归阶数）、d（差分阶数）、q（滑动平均阶数）。d已经通过差分确定，剩下的p和q有两种确定思路：人工看图或者网格搜索。

人工看图的方法是先画出平稳化后序列的自相关函数（ACF）和偏自相关函数（PACF）图，然后根据截尾和拖尾特征来选阶。经验法则如下：

• ACF拖尾、PACF在p阶后截尾，适合AR(p)模型
• ACF在q阶后截尾、PACF拖尾，适合MA(q)模型
• 两者都拖尾，则考虑ARMA模型，阶数需要进一步比较

在Matlab里画这两张图的代码非常短：

figure; subplot(2,1,1); autocorr(diff_price); title('差分序列的自相关函数 ACF'); subplot(2,1,2); parcorr(diff_price); title('差分序列的偏自相关函数 PACF');

需要注意的是，人工看图定阶的经验判断有时会被周期分量干扰，导致误判。所以我更推荐用网格搜索配合信息准则来定阶，尤其是在批量建模的场景下，效率高得多。

3.2 网格搜索与AIC/BIC准则的工程实现

网格搜索的思路很简单：遍历所有可能的(p, q)组合，对每组参数分别拟合ARIMA模型，计算赤池信息准则（AIC）或贝叶斯信息准则（BIC），选值最小的那组参数作为最优阶数。AIC和BIC都是在衡量“拟合优度”和“模型复杂度”之间的平衡——它们会给参数更多的模型施加惩罚，避免过拟合。BIC的惩罚比AIC更重，因此在样本量较大时我更倾向于用BIC选型。

Matlab代码实现如下：

d = 1; best_p = 0; best_q = 0; best_bic = inf; for p = 0:5 for q = 0:5 Mdl = arima(p, d, q); try [EstMdl, ~, LogL] = estimate(Mdl, price, 'Display', 'off'); numParams = p + q + 1; % 两个AR/MA参数加一个常数项 [~, bic] = aicbic(LogL, numParams, length(price)); if bic < best_bic best_bic = bic; best_p = p; best_q = q; end catch continue; % 某些参数组合可能无法收敛，跳过 end end end fprintf('最优模型: ARIMA(%d,%d,%d), BIC=%.4f\n', best_p, d, best_q, best_bic);

这里有几个工程细节值得提一下。第一，arima函数的参数里s是季节性周期，普通ARIMA不需要设置；第二，estimate函数如果不加Display参数会在命令行打一大堆日志，批量循环时必须设成'off'；第三，某些(p, q)组合会因为数值问题导致估计不收敛，try-catch直接把这类组合跳过，别让它们拖垮整个循环。

3.3 残差诊断：模型是否充分拟合

定下来阶数、估计完参数，并不代表模型就合格了。ARIMA模型有一个基本假设：残差应该是白噪声序列，也就是说残差的任意时滞自相关应该接近零，服从独立同分布。如果残差还存在明显的自相关结构，说明模型没把信息提取干净，得重新回到定阶环节。

Matlab里做残差白噪声检验的方法是Ljung-Box检验：

% 拟合最优模型 Mdl = arima(best_p, d, best_q); EstMdl = estimate(Mdl, price, 'Display', 'off'); % 提取残差 res = infer(EstMdl, price); % Ljung-Box白噪声检验 [h_lb, p_lb] = lbqtest(res, 'Lags', [5, 10, 15]); disp('Ljung-Box检验结果:'); disp(table((1:3)', h_lb', p_lb', 'VariableNames', {'检验滞后阶数', '假设检验结果', 'p值'}));

如果p值小于0.05，说明残差不是白噪声，模型还需要调整。比较常见的调整方案是增加p或q的阶数，或者改用SARIMA捕捉季节性。另一个很实用的可视化工是残差QQ图，如果残差整体落在一条直线上，说明正态性假设基本成立，这对后面置信区间计算的可靠性至关重要。

4. 置信区间的数学原理与Matlab实现

4.1 预测区间是怎么“宽”起来的

ARIMA模型的点预测是条件期望，置信区间则反映了预测的不确定性。不理解的人可能直接拿个“±1.96倍标准差”去套，但如果不懂这个标准差从哪里来，画出来的区间就有可能是错的。

ARIMA模型的置信区间公式可以写成：

ŷ(t+h|t) ± z_{1-α/2} × √Var(e_t(h))

其中ŷ是h步前向预测值，z是标准正态分布的分位数（95%置信水平下约为1.96），Var(e_t(h))是h步预测误差的方差。

误差方差的核心性质是它会随着预测步长h的增加而增大。以最简单的AR(1)模型为例，h步预测误差的方差是σ²(1 + φ² + φ⁴ + ... + φ^(2(h-1)))。当h趋向无穷大时，这个方差会收敛到σ²/(1-φ²)，这也是这个AR(1)过程的无条件方差。这就解释了一个非常直观的现象：预测越远，区间越宽，直到最终趋近于一个稳定宽度。真实电价序列因为包含多个AR/MA项，预测误差方差的累积形式更复杂，但趋势一模一样的。

4.2 Matlab中forecast函数与置信区间计算

Matlab的econometrics toolbox里，forecast函数可以一步到位返回点预测和置信区间。它的用法是：

% 预测未来12个时刻 horizon = 12; [YF, ~, YCI] = forecast(EstMdl, horizon, 'Y0', price); % YF是点预测结果，YCI是置信区间矩阵，第一列是下界，第二列是上界 fprintf('未来第1个时刻预测: %.2f, 95%%置信区间: [%.2f, %.2f]\n', ... YF(1), YCI(1,1), YCI(1,2));

Y0参数指定的是预测起点的历史数据，通常传入完整的价格序列，这样模型会使用最后几个观察值作为预测的锚点。forecast默认计算95%置信区间。如果你想调整置信水平，比如90%或者99%，可以用forecast函数的'Alpha'参数来指定显著性水平：Alpha=0.1代表90%置信区间，Alpha=0.01代表99%置信区间。

4.3 手动计算置信区间作为交叉验证

虽然forecast函数已经封装好了置信区间的计算，但我强烈建议自己手动实现一遍，既能加深理解，也能在画图和数据后处理时更灵活。手动计算的思路是：先通过蒙特卡洛仿真或者解析公式获得预测误差的标准差，再基于这个标准差构造区间。Matlab里可以用simulate函数做蒙特卡洛仿真：

rng(42); % 固定随机种子，确保结果可复现 numPaths = 2000; [simY, simYCI] = simulate(EstMdl, horizon, 'NumPaths', numPaths, 'Y0', price); % 手动计算95%置信区间 simMean = mean(simY, 2); simStd = std(simY, 0, 2); manualLower = simMean - 1.96 * simStd; manualUpper = simMean + 1.96 * simStd; % 对比两种方法的结果 fprintf('forecast函数区间: [%.2f, %.2f]\n', YCI(1,1), YCI(1,2)); fprintf('手动仿真区间: [%.2f, %.2f]\n', manualLower(1), manualUpper(1));

如果两种方法的区间差异比较大，很可能是模型估计有问题或者残差不满足正态假设，这时候需要回过去检查模型诊断环节。我个人在实际项目中两种方法都会跑一遍，输出的区间图会同时叠加forecast函数结果和手动仿真结果，看起来更踏实。

5. 完整Matlab代码实现与结果分析

5.1 工程化代码的结构设计

这段演示代码我按照模块化的思路拆成了六个部分：数据读取、平稳性检验、自动定阶、模型估计与诊断、预测与置信区间、结果可视化。这样拆的好处是后面无论是换数据集还是换模型，都能快速定位需要修改的模块。

%% 基于ARIMA的电价预测与置信区间计算 % 适用数据：小时级电价序列 % 环境：Matlab R2020b及以上版本，需要Econometrics Toolbox clear; clc; close all; rng(42); %% 1. 数据读取 data = readtable('electricity_price.csv'); data.Time = datetime(data.Time, 'InputFormat', 'yyyy-MM-dd HH:mm'); data = rmmissing(data); price = data.Price(:); T = length(price); % 按时间顺序划分训练集和测试集 trainLen = floor(T * 0.8); trainData = price(1:trainLen); testData = price(trainLen+1:end); %% 2. 平稳性检验 [h0, p0] = adftest(trainData); fprintf('训练集ADF检验: h=%d, p=%.4f\n', h0, p0); d = 0; if h0 == 0 d = 1; [h1, p1] = adftest(diff(trainData)); fprintf('一阶差分后ADF检验: h=%d, p=%.4f\n', h1, p1); fprintf('确定差分阶数 d=%d\n', d); end %% 3. 网格搜索定阶 maxP = 5; maxQ = 5; bestBIC = inf; bestP = 0; bestQ = 0; for p = 0:maxP for q = 0:maxQ MdlTmp = arima(p, d, q); try [~, ~, LogLTmp] = estimate(MdlTmp, trainData, 'Display', 'off'); numParams = p + q + 1; [~, bicTmp] = aicbic(LogLTmp, numParams, length(trainData)); if bicTmp < bestBIC bestBIC = bicTmp; bestP = p; bestQ = q; end catch continue; end end end fprintf('最优模型: ARIMA(%d,%d,%d), BIC=%.4f\n', bestP, d, bestQ, bestBIC); %% 4. 模型估计与残差诊断 Mdl = arima(bestP, d, bestQ); EstMdl = estimate(Mdl, trainData, 'Display', 'off'); res = infer(EstMdl, trainData); [hLB, pLB] = lbqtest(res, 'Lags', [5, 10, 15]); fprintf('残差Ljung-Box检验p值: %.4f, %.4f, %.4f\n', pLB); if any(hLB) warning('残差仍存在自相关，考虑增加模型阶数'); end %% 5. 预测与置信区间 horizon = length(testData); [YF, ~, YCI] = forecast(EstMdl, horizon, 'Y0', trainData); %% 6. 结果可视化 figure('Position', [100, 100, 900, 500]); hold on; % 训练集 plot(1:trainLen, trainData, 'Color', [0.7 0.7 0.7], 'LineWidth', 1); % 测试集真实值 plot(trainLen+1:T, testData, 'b-', 'LineWidth', 1.5); % 预测值 plot(trainLen+1:T, YF, 'r-', 'LineWidth', 1.5); % 置信区间 fill([trainLen+1:T, fliplr(trainLen+1:T)], ... [YCI(:,1)', fliplr(YCI(:,2)')], ... [1 0.8 0.8], 'FaceAlpha', 0.4, 'EdgeColor', 'none'); xline(trainLen, '--k', '训练集/测试集分界'); legend({'训练集', '测试集真实值', '预测值', '95%置信区间'}, 'Location', 'best'); xlabel('时间索引'); ylabel('电价（元/兆瓦时）'); title(sprintf('ARIMA(%d,%d,%d) 电价预测与95%%置信区间', bestP, d, bestQ)); grid on; hold off; %% 7. 误差指标计算 rmse = sqrt(mean((YF - testData).^2)); mae = mean(abs(YF - testData)); fprintf('RMSE=%.4f, MAE=%.4f\n', rmse, mae); % 置信区间覆盖率 inside = (testData >= YCI(:,1)) & (testData <= YCI(:,2)); coverage = mean(inside) * 100; fprintf('95%%置信区间覆盖率: %.2f%%\n', coverage);

5.2 运行结果解析

我拿一份比较典型的夏季现货电价数据跑了下这份代码，这里贴几个有价值的输出结果供参考：

• ADF检验原始序列p值约0.13，无法拒绝单位根假设，一阶差分后p值小于0.01，所以d=1；
• BIC网格搜索选出的最优模型是ARIMA(2,1,2)，候选模型里面ARIMA(1,1,2)的BIC也非常接近，但ARIMA(2,1,2)在残差白噪声检验中表现更好；
• 预测结果方面，测试集第一天的RMSE大约在28元/兆瓦时，对于波动幅度经常超过100元/兆瓦时的现货电价来说，这个误差水平可以接受；
• 95%置信区间在第一步预测时宽度大约是正负50元/兆瓦时，到第12步预测时宽度已经扩大到正负90元/兆瓦时左右，非常直观地反映了误差的累积效应；
• 置信区间覆盖率约在92%到97%之间，和名义95%的水平比较接近。

这组结果印证了我前面的判断：区间预测才是电价预测真正能用于决策的部分。点预测帮你判断方向，区间预测告诉你这个方向上的风险有多大。

5.3 如何扩展成滚动预测框架

上面的代码做的是单次预测，预测长度等于测试集长度。但在实际电力交易场景里，更常用的是滚动预测：每预测完一天，就把当天的真实值加入训练集，重新估计模型参数，再预测第二天。这种方式能让模型及时吸收最新的信息，对价格突变和趋势变化的响应速度更快。

滚动预测的Matlab框架大致如下：

horizonStep = 24; % 每次预测24小时 nRoll = floor(length(testData) / horizonStep); rollingForecast = NaN(nRoll * horizonStep, 1); rollingCI = NaN(nRoll * horizonStep, 2); for i = 1:nRoll trainEnd = trainLen + (i-1) * horizonStep; trainWindow = price(1:trainEnd); testStart = trainEnd + 1; testEnd = trainEnd + horizonStep; % 重新估计模型 MdlRoll = arima(bestP, d, bestQ); EstRoll = estimate(MdlRoll, trainWindow, 'Display', 'off'); % 预测 [YFRoll, ~, YCIRoll] = forecast(EstRoll, horizonStep, 'Y0', trainWindow); rollingForecast(testStart - trainLen : testEnd - trainLen) = YFRoll; rollingCI(testStart - trainLen : testEnd - trainLen, :) = YCIRoll; end

滚动预测的计算开销会大不少，但误差通常比单次预测明显下降。如果数据量够大，你还可以把滚动窗口改成固定的滑窗，比如始终只用最近半年数据训练，这样能自动“遗忘”掉过时市场模式的影响。

6. 常见问题排查与实操经验手册

6.1 高频报错和相对应的解决思路

ARIMA建模和置信区间计算过程中，有几个问题是出镜率极高的。我把常见现象、可能原因和解决方向整理成一张速查表，方便你定位问题。

6.2 关于“置信区间其实比点预测更关键”的实践经验

这个认知是我做了几个实际项目之后彻底定型的。刚开始做电价预测的时候，我也只报告RMSE和MAPE，直到有一次给业务方汇报预测结果，对方非常认真地问我：“你说明天均价预测500，那有没有可能涨到700？”当时我拿不出系统的答案。后来把置信区间加进交付物，对方不但更容易接受预测结果，还会主动用区间去测算最坏情况下的购电成本。

置信区间的覆盖率是衡量区间预测质量的关键指标。如果100次预测里有95次落在区间内，说明这个区间“校准得不错”；如果覆盖率明显偏低，比如只有70%，说明模型过于自信，区间的宽度不够，这时候可以考虑使用残差的分位数而不是正态分布分位数来构建区间，或者改用GARCH模型对残差的波动率单独建模。这又是一个可以扩展的方向。

6.3 关于ARIMA模型使用的几条真实体会

第一，不要过度迷信AIC/BIC选出的模型。信息准则选出来的是统计意义上的最优，但有时候相邻几个模型的指标差异很小，我会选择更简洁的那个，理由很简单：简洁模型在滚动预测中的稳定性通常更好，部署上线后的维护成本也更低。

第二，定阶数值和原始数据单位关系极大。如果电价序列是几百的量级，而对数转换后的序列是几的量级，同样的ARIMA结构可能在数值稳定性上有巨大差异。所以我建议，如果你发现matlab在估计时老是报奇异矩阵之类的问题，试试先对序列做标准化或者对数变换，经常能立竿见影。

第三，电力市场数据受政策、极端天气、突发事件影响很大，这些外部冲击的因子基本不可能被纯ARIMA捕捉到。所以ARIMA做一个可靠的基线非常合适，但如果要冲更高的精度，一定要考虑融合外生变量的ARIMAX模型，甚至配合深度学习模型做混合建模。可以说，这个代码框架的真正价值在于帮你把数据链路、评估流程、置信区间可视化全部标准化了，剩下每一块都支持在保留框架的前提下做强化和替换。

6.4 最后一个实用的展示技巧

不管预测结果好坏，图一定要画得清楚。我的习惯是把真实值、预测值、置信区间三条信息叠加在一张图上，并且把置信区间用半透明的色带填充来表示。决策者第一眼就能看出预测的风险边界在哪里，比一串数字有说服力得多。如果你要输出报告用的图表，记得把时间轴换成真实的日期刻度，而不是像我上面示例代码里简化的索引序号，实际效果会专业很多。