在Python中，可以使用statsmodels库来拟合ARIMA模型，然后使用模型来预测数据。如果发现模型的预测结果偏移，可以尝试以下解决方法：

1. 调整模型的参数：ARIMA模型有三个参数：p，d，q。p表示自回归项的阶数，d表示差分阶数，q表示移动平均项的阶数。可以尝试调整这些参数的值，来改进模型的拟合效果。

2. 检查数据的平稳性：ARIMA模型要求时间序列数据是平稳的。可以通过绘制自相关图(ACF)和偏自相关图(PACF)来检查数据的平稳性。如果数据不平稳，可以尝试对数据进行平稳化处理，例如进行差分操作。

3. 检查残差：可以通过绘制模型的残差图来检查模型的拟合效果。如果残差存在明显的趋势或者周期性，说明模型还可以进一步改进。

下面是一个使用statsmodels库拟合ARIMA模型并进行预测的示例代码：

import pandas as pd
import statsmodels.api as sm

# 读取数据
data = pd.read_csv('data.csv')

# 创建ARIMA模型对象
model = sm.tsa.ARIMA(data, order=(1, 1, 1))

# 拟合模型
model_fit = model.fit()

# 预测数据
forecast = model_fit.forecast(steps=10)

# 打印预测结果
print(forecast)

在上述代码中，order=(1, 1, 1)表示使用ARIMA(1, 1, 1)模型。可以根据实际情况调整这些参数的值。然后，使用model_fit.forecast()方法来预测未来的数据。最后，打印预测结果。

使用以上方法，可以对ARIMA模型的结果偏移问题进行改进和调整。