下面是使用ARIMA和SARIMAX模型进行时间序列预测的示例代码：

import pandas as pd
import numpy as np
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
import matplotlib.pyplot as plt

# 创建示例数据
data = pd.Series(np.random.rand(100))
train_data = data[:80]
test_data = data[80:]

# 使用ARIMA模型进行预测
arima_model = ARIMA(train_data, order=(1, 0, 0))  # 使用ARIMA(1, 0, 0)模型
arima_result = arima_model.fit()
arima_forecast = arima_result.predict(start=len(train_data), end=len(train_data)+len(test_data)-1)

# 使用SARIMAX模型进行预测
sarimax_model = SARIMAX(train_data, order=(1, 0, 0), seasonal_order=(1, 0, 0, 12))  # 使用SARIMAX(1, 0, 0)(1, 0, 0, 12)模型
sarimax_result = sarimax_model.fit()
sarimax_forecast = sarimax_result.predict(start=len(train_data), end=len(train_data)+len(test_data)-1)

# 绘制预测结果
plt.plot(train_data, label='Train Data')
plt.plot(test_data, label='Test Data')
plt.plot(arima_forecast, label='ARIMA Forecast')
plt.plot(sarimax_forecast, label='SARIMAX Forecast')
plt.legend()
plt.show()

上述示例中，首先创建了一个示例数据，然后将数据拆分为训练集和测试集。然后，分别使用ARIMA和SARIMAX模型对训练集进行拟合，并使用拟合模型对测试集进行预测。最后，将训练集、测试集和预测结果绘制在同一图中进行比较。

请注意，示例中的ARIMA和SARIMAX模型的参数仅供参考，你可能需要根据具体情况进行调整。另外，对于一些特定的时间序列数据，ARIMA和SARIMAX模型的预测结果可能确实比较直线或均匀。你可以尝试使用其他模型或调整模型参数来改进预测结果。