这个问题可能是由于ARIMA模型需要更多的历史数据以更好地进行预测。我们可以尝试一些方法，如增加训练数据，或增加ARIMA模型的阶数，以提高预测准确性。

以下是一个使用ARIMA模型进行预测的Python代码示例：

import pandas as pd
from pandas.plotting import autocorrelation_plot
from statsmodels.tsa.arima.model import ARIMA
from sklearn.metrics import mean_squared_error

# 加载数据集
df = pd.read_csv('data.csv')

# 将时间序列转换为datetime
df['date'] = pd.to_datetime(df['date'])

# 将时间序列设置为数据框的索引
df.set_index('date', inplace=True)

# 使用自相关图选择ARIMA模型的阶数
autocorrelation_plot(df)
model = ARIMA(df, order=(3,1,1))
model_fit = model.fit()

# 使用训练数据拟合ARIMA模型
model_fit = model.fit()

# 对下一个时间步长进行预测
future = model_fit.forecast()

# 输出预测值
print(future)

通过上述方法，我们可以有效地解决ARIMA预测始终为相同值的问题。