这不是错误...我不是该主题的专家，但简短的回答是：“这是由于您拥有的数据集”。
用一个例子来给出长答案会更好......想象一下你有另一组数据。如果您同意，他们可以是：
datos = [
30.05251300, 19.14849600, 25.31769200, 27.59143700,
32.07645600, 23.48796100, 28.47594000, 35.12375300,
36.83848500, 25.00701700, 30.72223000, 28.69375900,
36.64098600, 23.82460900, 29.31168300, 31.77030900,
35.17787700, 19.77524400, 29.60175000, 34.53884200,
41.27359900, 26.65586200, 28.27985900, 35.19115300,
42.20566386, 24.64917133, 32.66733514, 37.25735401,
45.24246027, 29.35048127, 36.34420728, 41.78208136,
49.27659843, 31.27540139, 37.85062549, 38.83704413,
51.23690034, 31.83855162, 41.32342126, 42.79900337,
55.70835836, 33.40714492, 42.31663797, 45.15712257,
59.57607996, 34.83733016, 44.84168072, 46.97124960,
60.01903094, 38.37117851, 46.97586413, 50.73379646,
61.64687319, 39.29956937, 52.67120908, 54.33231689,
66.83435838, 40.87118847, 51.82853579, 57.49190993,
65.25146985, 43.06120822, 54.76075713, 59.83447494,
73.25702747, 47.69662373, 61.09776802, 66.05576122]
indice = pd.date_range("2020-10-31 23:57:00", periods=len(datos), freq="T")
datos = pd.Series(data=datos, index=indice)
datos = datos.asfreq(freq='T')
这样你会得到一个类似这样的代码：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.exponential_smoothing.ets import ETSModel
datos = [
30.05251300, 19.14849600, 25.31769200, 27.59143700,
32.07645600, 23.48796100, 28.47594000, 35.12375300,
36.83848500, 25.00701700, 30.72223000, 28.69375900,
36.64098600, 23.82460900, 29.31168300, 31.77030900,
35.17787700, 19.77524400, 29.60175000, 34.53884200,
41.27359900, 26.65586200, 28.27985900, 35.19115300,
42.20566386, 24.64917133, 32.66733514, 37.25735401,
45.24246027, 29.35048127, 36.34420728, 41.78208136,
49.27659843, 31.27540139, 37.85062549, 38.83704413,
51.23690034, 31.83855162, 41.32342126, 42.79900337,
55.70835836, 33.40714492, 42.31663797, 45.15712257,
59.57607996, 34.83733016, 44.84168072, 46.97124960,
60.01903094, 38.37117851, 46.97586413, 50.73379646,
61.64687319, 39.29956937, 52.67120908, 54.33231689,
66.83435838, 40.87118847, 51.82853579, 57.49190993,
65.25146985, 43.06120822, 54.76075713, 59.83447494,
73.25702747, 47.69662373, 61.09776802, 66.05576122]
indice = pd.date_range("2020-10-31 23:57:00", periods=len(datos), freq="T")
datos = pd.Series(data=datos, index=indice)
datos = datos.asfreq(freq='T')
pasado = datos[:48]
futuro = datos[47:]
modelo = ETSModel(datos, error="add", trend="add", seasonal="add",
damped_trend=True, seasonal_periods=4)
#modelo_fit = modelo.fit(maxiter=10000)
fit = modelo.fit()
print(fit.summary())
pred = fit.get_prediction(start='2020-11-01 00:44:00', end='2020-11-01 01:04:00')
df = pred.summary_frame(alpha=0.05)
simulated = fit.simulate(anchor="end", nsimulations=10, repetitions=100)
for i in range(simulated.shape[1]):
simulated.iloc[:,i].plot(label='_', color='gray', alpha=0.1)
df["mean"].plot(label='mean prediction')
df["pi_lower"].plot(linestyle='--', color='tab:cyan', label='95% interval')
df["pi_upper"].plot(linestyle='--', color='tab:cyan', label='_')
pred.endog.plot(label='data')
plt.legend()
plt.show()
你会得到这种类型的结果：
您的数据以橙色表示。 ETS 模型以蓝色估计数据的平均值，以及数据可以根据平均值变化的范围（即间歇的青色线）。然后（在预测中）模型执行模拟尝试预测，向前 10 步，尝试 100 次（它们是灰线）。
在这种特殊情况下，模型非常适合数据......但当然！这是一个教科书的例子，所以它可以完美地工作——在日常实践中，理论是不同的。
尽管您使用另一个库，但通常它可以解释您获得结果的原因。
ETS 模型在用于预测时有几个可用的功能：
-
预测：根据样本进行预测
-
预测：样本内和样本外预测
-
simulate：运行状态空间模型的模拟
-
get_prediction：样本内和样本外预测，以及预测区间。
在您的情况下，数据是随机的，因为在模型眼中缺少另一个词，并且这个特定模型很难生成或决定数据将来可以去哪里，因此它估计了一个平均值、上限和较低的范围。数据可能在未来。
让我们使用相同的代码，只是改变数据，你会得到这样的结果：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.exponential_smoothing.ets import ETSModel
pasado = datos[:100]
futuro = datos[99:]
print(futuro)
modelo = ETSModel(datos, error="add", trend="add", seasonal="add",
damped_trend=True, seasonal_periods=4)
#modelo_fit = modelo.fit(maxiter=10000)
fit = modelo.fit()
print(fit.summary())
#prediccion = modelo_fit.get_prediction(start='2020-11-01 01:37:00', end='2020-11-01 01:57:00')
pred = fit.get_prediction(start='2020-11-01 01:36:00', end='2020-11-01 01:56:00')
df = pred.summary_frame(alpha=0.05)
simulated = fit.simulate(anchor="end", nsimulations=20, repetitions=100)
for i in range(simulated.shape[1]):
simulated.iloc[:,i].plot(label='_', color='gray', alpha=0.1)
df["mean"].plot(label='mean prediction')
df["pi_lower"].plot(linestyle='--', color='tab:cyan', label='95% interval')
df["pi_upper"].plot(linestyle='--', color='tab:cyan', label='_')
pred.endog.plot(label='data')
pasado.plot(label='Pasado')
futuro.plot(label='Futuro')
plt.legend()
plt.show()
在训练数据（绿色）之后，有一种气泡（青色虚线之间包含的内容），这是对数据未来可能在哪里的估计（根据模型） ，因此通常以相同值显示给您的线是模型预测的未来值的估计平均值。换句话说，根据数据，模型不能精确地调整到你在未来变量中的数据。
可以（肯定......也许）更好地适应数据的模型可能是 SARIMA 或 SARIMAX，最好搜索（对于以前的情况）一些适合值 order = (p, d, q) 和seasonal_order = (P, D, Q, s) 自动（尽管计算成本可能开始上升）。
当然，模型还有很多，Mathematica 有一个函数（我现在不记得了），它会寻找最适合数据的模型和参数集。也许 Python 在某个地方也有类似的东西——如果有的话，我很想听听。