提供 ARIMA进行多变量多步温度预测程序示例，数据集来自EXCEL表，6个输入特征（有常数特征），1个输出特征（温度），要求数据集按数据量8:2划分为训练集和测试集，预测180个时间步的温度，计算测试集预测误差

好的，以下是基于Python中statsmodels库实现的ARIMA模型进行多变量多步温度预测的示例程序：

import pandas as pd
import numpy as np
from statsmodels.tsa.arima.model import ARIMA
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split

# 读取数据集
data = pd.read_excel('temperature.xlsx')

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

# 定义模型参数
order = (1, 1, 1)
lags = [1, 2, 3, 4, 5]

# 训练模型
model = ARIMA(endog=train_data['temperature'], exog=train_data.iloc[:, 1:], order=order)
results = model.fit()

# 预测未来180个时间步的温度
forecast = results.forecast(steps=180, exog=test_data.iloc[:, 1:])[0]

# 计算测试集预测误差
mse = mean_squared_error(test_data['temperature'], forecast)
print('测试集预测误差为：', mse)

其中，`temperature.xlsx`为Excel表格数据集，包含6个输入特征和1个输出特征。训练集和测试集划分采用了`train_test_split`函数，按照8:2的比例进行划分。模型参数`order`表示ARIMA模型中的(p,d,q)参数，`lags`表示模型中的历史数据长度。训练模型时，使用`endog`参数指定输出特征，使用`exog`参数指定输入特征。最后，使用`forecast`方法预测未来180个时间步的温度，并使用`mean_squared_error`函数计算测试集预测误差。