已知ARIMA模型和不连续的时间序列，怎样预测填充这些序列

对于不连续的时间序列，可以使用ARIMA模型进行预测和填充。ARIMA模型是一种常用的时间序列分析方法，可用于预测未来的数值。

首先，需要对不连续的时间序列进行处理，使其成为连续的时间序列。这可以通过插值或者其他方法来实现，以填补缺失的时间点。

然后，可以使用ARIMA模型进行预测。ARIMA模型包括自回归(AR)、差分(I)和移动平均(MA)三个部分。首先，需要确定合适的模型阶数，包括AR、差分和MA的阶数。可以使用自相关函数(ACF)和偏自相关函数(PACF)来选择合适的阶数。

接下来，可以使用已有的连续时间序列数据进行模型拟合，并得到模型参数。然后，可以使用该模型进行未来数值的预测。

最后，将预测结果填充回原始的不连续时间序列中缺失的位置。

需要注意，ARIMA模型在预测不连续时间序列时可能存在一些限制。如果不连续的时间序列中存在长期趋势、季节性或其他复杂特征，可能需要考虑其他更适合的模型或方法来处理和预测。