当使用ARIMA模型进行拟合时，有时候在预测时会返回NaN（Not a Number）。这通常是由于模型参数设置不当或数据不适合ARIMA模型引起的。以下是一些解决方法：

1. 检查数据：首先，检查数据是否包含缺失值或异常值，这可能会影响模型的拟合和预测。确保数据的完整性和准确性。

2. 参数设置：ARIMA模型有三个主要参数：p，d和q。p表示AR部分的阶数，d表示差分的阶数，q表示MA部分的阶数。尝试不同的参数组合来找到最佳的模型。可以使用自动化工具（如auto.arima函数）来选择最佳参数。

3. 数据转换：如果数据不符合ARIMA模型的假设，可以尝试对数据进行转换，使其适应模型。例如，可以尝试对数据进行对数变换或差分操作，以减小数据的季节性或趋势。

4. 数据平滑：如果数据存在噪声或季节性，可以尝试使用平滑技术，如移动平均或指数平滑，来减小数据的变动性。

5. 模型调优：可以通过调整模型的其他参数，如季节参数（例如SARIMA模型）或加入外部变量，来改善模型的预测效果。

以下是一个使用Python中的statsmodels库来拟合ARIMA模型并处理NaN值的示例：

import pandas as pd
from statsmodels.tsa.arima.model import ARIMA

# 读取数据
data = pd.read_csv('data.csv')

# 拟合ARIMA模型
model = ARIMA(data['value'], order=(1, 1, 1))
model_fit = model.fit()

# 进行预测
forecast = model_fit.predict(start=len(data), end=len(data)+10)

# 处理NaN值
forecast = forecast.fillna(0)

在上面的示例中，我们首先读取数据并使用ARIMA模型进行拟合。然后，我们使用predict函数来进行预测，并将NaN值替换为0（你也可以根据实际情况选择其他处理方式）。这样，我们就可以得到一系列预测值，而不是NaN值。