在过去的几天里，我正在使用statsmodels(Python)对Times系列进行疯狂的研究。我在TS领域是个新手，虽然我对各种回归模型有较好的了解。这是我的问题。
我有一个时间序列，我把它固定化了（通过季节性分解，或者通过差分）。我用ACF和PACF图计算出ARIMA模型的参数p,d和q。很高兴，我也得到了一个预测。
但现在我的问题是，我的预测也是静止的。我需要一个趋势和季节性周期。假设我有时间t1-t100的数据，我需要预测t101-t110。t101-t110的预测是静止的，我不知道如何在趋势线上预测它并包括周期。
谁能解释一下，我怎样才能包含预测和季节性分解函数中的成分，以获得所需的结果。
在代码方面，你可以用下面的代码来看看 seasonal_decompose 给你看的是什么。
from statsmodels.tsa.seasonal import seasonal_decompose
series = ...
result = seasonal_decompose(series, model='additive')
print(result.trend)
print(result.seasonal)
print(result.resid)
print(result.observed)
然后，你可以使用残差，并建立模型，因为你做。
要通过添加趋势+季节性来逆向工程回到真实数据模式，你需要对趋势（使用移动平均等）和季节性（使用自动回归等）进行建模。