ARIMA模型在预测时可能会出现预测值为空的情况。这可能是由于数据的特性导致模型无法进行有效预测，或者模型参数设置不合适等原因引起的。以下是一些可以尝试的解决方法：

1. 检查数据：首先，确保数据没有缺失值或异常值。可以使用描述性统计方法或数据可视化工具来检查数据的特征和分布。如果数据存在缺失值或异常值，可以考虑使用插值方法或处理异常值的方法来处理数据。

2. 调整模型参数：确定ARIMA模型的参数（p，d，q）是非常重要的。可以尝试不同的参数组合来找到最佳的模型。可以使用自动化方法，如网格搜索或贪婪搜索，来选择最佳的参数组合。

3. 数据平稳化：ARIMA模型要求数据是平稳的，即均值和方差不随时间变化。如果数据不平稳，可以尝试使用差分操作来平稳数据。可以使用一阶差分（d=1）或季节性差分（d=1，D=1）等方法来平稳数据。

4. 考虑其他模型：如果ARIMA模型无法有效预测数据，可以考虑其他时间序列预测模型，如SARIMA、VAR、GARCH等。不同的模型可能对不同类型的数据具有更好的适应性。

下面是一个使用Python中的statsmodels库来进行ARIMA模型预测的示例代码：

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

# 加载数据
data = pd.read_csv('data.csv')

# 拟合ARIMA模型
model = ARIMA(data, order=(p, d, q))
model_fit = model.fit()

# 进行预测
forecast = model_fit.forecast(steps=10)

print(forecast)

请根据具体的问题和数据特点选择合适的方法来解决ARIMA预测值为空的问题。