我已经有一个适合data[0:100]使用python 的时间序列数据（例如ex ）的ARIMA（p，d，q）模型。我想forecast[100:120]使用此模型进行预测（）。但是，考虑到我也拥有未来的真实数据（例如：）data[100:120]，如何确保多步预测将我拥有的未来的真实数据考虑在内，而不是使用其预测的数据？
本质上，当进行预测时，我希望forecast[101]使用data[100]代替进行计算forecast[100]。
我想避免在每个时间步都用更新的“历史记录”重新拟合整个ARIMA模型。
我适合ARIMAX模型，如下所示：
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，以下代码使我可以预测整个数据集（包括测试）的值
forecast = model_fit.predict(end=len(data)-1, exog=external, dynamic=False)
但是，在这种情况下，经过100步后，ARIMAX预测值会迅速收敛到长期平均值（如预期的那样，因为经过100步后，它仅使用预测值）。我想知道是否有办法提供“未来”的真实价值，以提供更好的在线预测。类似于以下内容：
forecast = model_fit.predict_fn(end = len(data)-1, exog=external, true=data, dynamic=False)
我知道我总是可以通过以下方式不断调整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 …我正在尝试使用 Jetson Nano 在管道中运行两个推理。第一个推论是使用 MobileNet 和 TensorRT 进行对象检测。我的第一个推理的代码几乎是从AastaNV/TRT_Obj_Detection存储库复制的。唯一的区别是我更改了该代码，使其驻留在 Inference1 类中。
第二个推理作业使用第一个推理的输出来运行进一步分析。对于这个推论，我使用tensorflow（不是TensorRT，但我假设它是在后端调用的？）使用自定义模型。该模型是从.pb文件（冻结图）加载的。加载后，通过调用tensorflow的命令进行推理session.run()。
如果我仅运行 Inference1 或 ONLY Inference2，则代码运行正常，没有任何错误。但是，当我通过管道传输它们时，出现错误[TensorRT] ERROR: cuda/caskConvolutionLayer.cpp (355) - Cuda Error in execute: 33 (invalid resource handle)
从我在日志中看到的情况来看，TensorRT 序列化图的加载没有任何问题。Tensorflow 也被导入并且它可以识别我的 GPU。从网上搜索我发现这个问题可能与CUDA Contexts有关？因此，我在下面展示了如何在下面的代码中设置 CUDA 上下文。create_cuda_context仅在 Inference1 类初始化期间调用一次。称为run_inference_for_single_image每次迭代。
代码：
def create_cuda_context(self):
self.host_inputs, self.host_outputs = [], []
self.cuda_inputs, self.cuda_outputs = [], []
self.bindings = []
self.stream = cuda.Stream()
for binding in self.engine:
size = trt.volume(self.engine.get_binding_shape(binding)) * self.engine.max_batch_size
host_mem = cuda.pagelocked_empty(size, np.float32) …