Python 使用pastas时间序列模型进行预测

在我的论文项目中，我试图通过应用粒子过滤器来预测地下水位，该过滤器使用天气预报数据（特别是降雨量和蒸发量）。作为粒子过滤过程的一部分，我需要根据这些天气预报数据预测地下水位，我想使用Pastas模型进行预测

目前，我已将Pastas模型培训如下：

将pastas导入为ps
#建立模型
模型=ps.model（gwml\U train.gws）
#添加应力信息
rain=ps.STRESS模型（wm_train.RH，ps.Gamma，name='rain'，settings=“prec”）
evap=ps.StressModel（wm_train.EV，ps.Gamma，name='evap'，settings=“evap”）
模型。添加压力模型（雨）
模型。添加压力模型（evap）
#求解模型
model.solve（）

其中，

gwml\U列

是2018年1月1日至2019年1月1日期间的地下水位数据，

wm\U列

是相同数据的天气测量值。Rh为降雨，EV为蒸发

该模型解释了结合天气测量给出的地下水位测量。我想做的是预测一段时间，在这段时间里，没有给出地下水位测量值，但有天气测量值

具体而言，我使用for循环，在2019年1月1日至2019年3月1日期间，每天进行30天的预测。每天我都会得到一个包含当天30天天气预报的数据集。我想做的是，将这些天气预报数据添加到模型中，并使用它来预测30天内的地下水位。有办法做到这一点吗

将数据添加到

solve（）

这个问题是由一个用户通过邮件发送给我的。我把它贴在这里是为了添加一个pastas问题

编辑：用用户解释更新了问题。
假设我们已经创建了一个pastas模型
ml
，以降水和蒸发为应力。通过在
ml.solve（）中指定时段来优化特定时段的timeseries模型。
：

ml.solve（tmin=“2010”，tmax=“2020”）

要模拟特定时段，请使用
ml.simulate（）
中相同的tmin/tmax选项。因此，对于2020年1月的地下水位预测：

模拟（tmin=“2020-01-01”，tmax=“2020-01-31”）

sim

是一个包含模拟地下水水头的

pandas.Series

。请注意，降水和蒸发时间序列确实需要具有要模拟的时段的数据，否则模型将使用时间序列的平均值来计算地下水位