auto_arima对不同预测周期返回相同结果的问题如何解决？

问题原因 #

你得到的两个周期预测值完全相同，是当前选出的模型结构本身的固有特性，不是代码逻辑错误。
你最终拟合的是**ARIMA(0,1,1)**模型，也就是1阶差分+仅含1阶移动平均项、不含自回归项的时序模型。这个模型的数学表达式为：
Δy_t = ε_t + θ*ε_{t-1}
其中Δy是一阶差分后的序列，ε是残差项。当你做未来多步预测时，未来的残差项期望为0，所有超过1步的预测值都会收敛到固定常数，所以第1、2步的预测结果完全一致。

auto_arima配置的可优化点 #

你的配置存在两处不合理的地方：

• 同时设置了seasonal=True和m=1：m参数代表序列的季节性周期长度，m=1说明序列无周期性，此时开启季节性参数完全无效。如果你的数据存在已知的周期规律（比如周度周期m=7、月度周期m=12），要把m修改为对应的周期值，才能让季节性模型生效。
• 小样本下自动选模容易偏向简单结构：你的数据集只有32条观测值，auto_arima默认以AIC为选模标准，结构复杂的模型（比如带自回归项、季节性项的模型）在小样本下AIC会更高，所以自动选到了结构最简单的ARIMA(0,1,1)，未必是最贴合数据规律的模型。

解决方法 #

你可以根据自己的业务场景选以下任意一种方案调整：

• 修正季节性配置：如果数据有明确季节性，把m改成对应周期长度，保留seasonal=True，自动选模会优先考虑SARIMA类模型，这类模型的多步预测不会是固定常数。
• 手动调整模型阶数：不要完全依赖自动选模，你可以直接尝试拟合带自回归项的模型，比如ARIMA(1,1,1)，只要自回归项p≥1，多步预测就会根据历史值递推，结果会有差异。
• 换用更适配小样本的模型：可以试试霍尔特指数平滑、Prophet等对小样本更友好的时序预测模型，也能避免多步预测重复的问题。
• 扩大样本量：如果能获取更多历史数据，样本量充足的情况下auto_arima也更容易选出拟合效果更好、结构更合理的模型。

内容的提问来源于stack exchange，提问作者Sevval Kahraman