以下是一个使用AR模型进行预测的示例代码：

import pandas as pd
from statsmodels.tsa.ar_model import AutoReg

# 读取数据
data = pd.read_csv('data.csv')

# 创建AR模型
model = AutoReg(data, lags=1)  # 设置lags为1，使用一阶自回归模型

# 拟合模型
model_fit = model.fit()

# 进行预测
predictions = model_fit.predict(start=len(data), end=len(data)+10)  # 预测未来10个时间步

# 打印预测结果
print(predictions)

请确保将"data.csv"替换为您自己的数据文件路径，数据文件应该是一个包含一列时间序列数据的CSV文件。

这里使用了statsmodels库中的AutoReg类来创建AR模型，通过设置lags参数来指定模型的阶数。然后使用fit()方法来拟合模型，并使用predict()方法进行预测。最后打印出预测结果。

请注意，该示例仅使用了一阶自回归模型，你可以根据自己的数据特点选择更高阶的模型，并调整lags参数的值。同时，还可以根据需要添加其他特征或调整其他模型参数来提高预测的准确性。