定义 AR、I 和 MA 阶数后，我们就可以训练 ARIMA 模型了。但是，定义参数值并不总是那么简单。在这种情况下，我们可以为这些参数提供最大值，训练多个 ARIMA 模型，并根据 信息准则 AIC 或 BIC。我们可以使用 自动 ARIMA 学习器 组件。两个组件均输出模型、其汇总统计数据和样本内预测残差。（图 7）：
图 7：使用 ARIMA Learner 和 Auto ARIMA Learner 组 阿尔及利亚电话号码数据 件训练 ARIMA 模型。ARIMA Learner 组件使用预定义的 AR、I 和 MA 阶数训练模型。Auto ARIMA Learner 组件使用定义范围内的不同 AR、I 和 MA 阶数组合训练多个模型，并在其输出中生成性能最佳的模型。组件的数据输出显示模型汇总统计数据和样本内预测残差。
最后，我们准备建模，我们需要生成预测，以便我们可以在预算中填写能源项目！
这 ARIMA 预测器 组件将模型应用于训练数据并生成样本内和样本外预测。对于样本外预测，我们需要定义预测范围。在本例中，如果我们对下一小时的预计能耗感兴趣，我们选择预测范围“1”，第二天选择 24，下一周选择 168，依此类推。对于样本内预测，我们可以使用预测值生成新的样本内预测（动态预测），也可以将实际值用于所有样本内预测。此外，如果 ARIMA 模型的 I 阶大于零，我们将定义是否预测原始（水平）或差分（线性）时间序列。（图 ）：
图 ：使用 ARIMA 预测器组件生成样本内和样本外预测。我们可以首先控制样本外预测的数量，其次控制是否使用实际值或预测值（动态预测）进行样本内预测，第三，如果模型的 I 阶大于零，则控制是否预测原始时间序列或差分时间序列。