ARIMA模型预测全为NaN问题求助——沃尔玛周销量预测场景

你的预测结果全为NaN且索引异常，核心原因是预测时的索引不匹配，以及可能的dynamic参数使用不当：

1. ARIMA.predict()的start/end参数若传入整数，默认对应训练数据的内部位置索引，而非原数据集rmdetdiff的全局索引。直接将预测结果赋值给rmdetdiff['arima_pred']时，两者索引无法对齐，导致大量NaN。
2. dynamic=True在平稳ARMA模型（你的ARIMA(1,0,2)本质是ARMA(1,2)）中，可能因依赖预测值递推，若模型拟合存在收敛问题，会直接输出NaN。

1. 先验证模型拟合状态 #

检查模型是否成功收敛、参数是否有效：

print(model1_fit.summary())
# 查看收敛状态
print(model1_fit.mle_retvals['converged'])

如果converged为False，说明模型拟合失败，需要重新检查数据平稳性或调整模型阶数。

2. 修正预测索引匹配问题 #

有两种方式确保索引对齐：

方式一：使用原数据集的索引作为预测起止点

直接用test的索引指定预测范围，避免位置索引混乱：

# 用test的首尾索引作为预测起止
start = test.index[0]
end = test.index[-1]

# 先关闭dynamic=True，改用默认的依赖真实值的预测模式
rmdetdiff['arima_pred'] = model1_fit.predict(start=start, end=end)

方式二：手动对齐预测结果的索引

若必须使用位置索引，需将预测结果的索引替换为test的索引后再赋值：

# 生成预测结果
preds = model1_fit.predict(start=len(train), end=len(train)+len(test)-1)
# 替换索引为test的索引
preds.index = test.index
# 赋值到原数据集对应位置
rmdetdiff.loc[test.index, 'arima_pred'] = preds

3. 调整dynamic参数的使用 #

如果确实需要动态预测（仅用训练数据，后续预测依赖之前的预测值），确保训练数据长度足够且模型参数稳定：

rmdetdiff['arima_pred_dynamic'] = model1_fit.predict(start=start, end=end, dynamic=True)

若仍出现NaN，建议先关闭dynamic参数，确认基础预测正常后再尝试。

4. 检查数据索引类型 #

确认rmdetdiff的索引是否为连续的时间序列或整数索引：

print(rmdetdiff.index)

如果是时间索引，确保训练集和测试集的时间序列连续无断点；如果是整数索引，确保索引从0开始或连续，避免位置与索引值不一致。

运行修改后的代码后，查看预测结果：

print(rmdetdiff['arima_pred'].dropna())
rmdetdiff[['arima_pred','weekly_sales']].plot(legend=True)

此时应该能看到测试集范围内的有效预测值，不再出现全NaN或索引异常的情况。

内容的提问来源于stack exchange，提问作者Shreyas Desai