当ARIMA模型在高方差和大时间序列的情况下预测为0时，可以考虑以下解决方法：

1. 调整参数：尝试不同的参数组合来调整ARIMA模型，以改善预测结果。可以尝试不同的自回归阶数（p）、差分阶数（d）和移动平均阶数（q），并观察是否能够得到更好的预测结果。

2. 数据预处理：对于高方差的时间序列，可以考虑对数据进行平滑处理，例如使用滑动平均或指数平滑等方法。这可以减小数据中的噪声和异常值，提高模型的预测能力。

3. 数据转换：对于大时间序列，可以尝试对数据进行转换，例如取对数、差分或标准化等。这可以使数据更加平稳，减小方差，使模型更容易拟合和预测。

下面是一个使用auto.arima函数的示例代码：

# 导入所需包
library(forecast)

# 创建时间序列对象
ts_data <- ts(your_data, frequency = 12)

# 使用auto.arima函数拟合ARIMA模型并进行预测
arima_model <- auto.arima(ts_data)
forecast <- forecast(arima_model, h = 12)  # 预测未来12个时间点的值

# 输出预测结果
print(forecast)

请注意，示例代码中的your_data是你的时间序列数据，可以根据实际情况进行替换。h = 12表示要预测未来12个时间点的值，你可以根据需要进行调整。

如果预测结果仍然为0，你可以尝试上述解决方法进行调整，并根据实际情况进行调试和优化。此外，还可以考虑使用其他时间序列模型或机器学习算法进行预测。