请提供用ARIMA进行多变量多步预测程序，输入数据从EXCEL中读取，其中最后一列是输出变量，训练集合测试集数据按8:2分配，预测180时间步后的值

以下是一个用ARIMA进行多变量多步预测的Python程序，可以从Excel中读取多变量时间序列数据，其中最后一列是输出变量，训练集和测试集按8:2的比例分配，预测未来180个时间步的输出变量：

import pandas as pd
from statsmodels.tsa.arima_model import ARIMA
from sklearn.model_selection import train_test_split

# 读取Excel文件，获取多变量时间序列数据
data = pd.read_excel('data.xlsx', index_col=0)

# 划分训练集和测试集
train_data, test_data = train_test_split(data, test_size=0.2, shuffle=False)

# 对数据进行差分处理
train_diff = train_data.diff().dropna()

# 定义ARIMA模型的p、d、q参数
p = 2
d = 1
q = 2

# 训练ARIMA模型
model = ARIMA(train_diff.iloc[:, -1], order=(p, d, q))
result = model.fit()

# 预测未来180个时间步的输出变量
forecast = result.forecast(steps=180)

# 将预测结果添加到测试集中
future_index = pd.date_range(start=test_data.index[-1], periods=181, freq='M')[1:]
forecast_data = pd.DataFrame(forecast, index=future_index, columns=['output'])
test_data = pd.concat([test_data, forecast_data])

# 输出预测结果
print(test_data.tail(12))

其中，`data.xlsx`是包含多变量时间序列数据的Excel文件，第一列为时间索引，其余列为多个变量的数据。程序首先读取Excel文件，然后使用`train_test_split`函数将数据集划分为训练集和测试集，其中测试集的比例为0.2，即训练集和测试集的比例为8:2，并且不打乱数据顺序。接着，对训练集进行差分处理，并定义ARIMA模型的p、d、q参数。然后，使用训练集中的输出变量训练ARIMA模型。最后，使用训练好的模型对未来180个时间步的输出变量进行预测，并将预测结果添加到测试集中。输出预测结果，其中只输出未来12个时间步的预测结果。