train_size = intsat_epoch 07data_train = data1train_sizedata_test = data1train_sizefeature_train = pdconcatdata_epoch data1 axis=1train_size # 将历元时间和卫星数据结合一起成为特征数据并选取前70数据arima_model = auto_arimad

使用已经确定好参数的ARIMA模型对后续30%进行预测的步骤如下：

1. 使用已经训练好的ARIMA模型对训练集进行拟合，得到拟合后的模型。
2. 使用拟合后的模型对测试集进行预测，得到预测结果。
3. 将预测结果与测试集的真实值进行比较，评估模型的预测能力。

具体代码如下：

# 使用已经训练好的ARIMA模型对测试集进行预测
test_predictions = arima_model.predict(n_periods=len(data_test))

# 将预测结果与测试集的真实值进行比较
from sklearn.metrics import mean_absolute_error
mae = mean_absolute_error(data_test, test_predictions)
print("MAE:", mae)

其中，n_periods表示要预测的数据个数，这里设置为测试集的长度。mean_absolute_error函数用于计算预测结果与真实值的平均绝对误差，评估模型的预测能力。