用趋势模型预测时间序列数据python，不用arima输出预测结果

可以使用基于机器学习的方法来预测时间序列数据，比如使用回归模型和神经网络模型。下面是一个基于随机森林回归模型的例子：

首先，导入所需的库和数据：

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split

# 读取数据
data = pd.read_csv('data.csv')

接下来，我们可以对数据进行预处理和特征工程，以便训练随机森林回归模型：

# 将时间序列数据转换为监督学习问题
def to_supervised(data, lag=1):
    df = pd.DataFrame(data)
    columns = [df.shift(i) for i in range(1, lag+1)]
    columns.append(df)
    df = pd.concat(columns, axis=1)
    df.fillna(0, inplace=True)
    return df

# 创建 lag=12 的新特征
supervised = to_supervised(data, 12)
supervised = supervised.values

# 分割数据集为训练集和测试集
train, test = train_test_split(supervised, test_size=0.25, shuffle=False)

# 准备训练数据
train_X, train_y = train[:, :-1], train[:, -1]

# 准备测试数据
test_X, test_y = test[:, :-1], test[:, -1]

然后，我们可以使用随机森林回归模型来训练数据和预测结果：

# 创建随机森林回归模型
model = RandomForestRegressor(n_estimators=1000, random_state=42)

# 训练模型
model.fit(train_X, train_y)

# 预测测试集数据
preds = model.predict(test_X)

# 计算均方误差
mse = mean_squared_error(test_y, preds)
print('均方误差: %.3f' % mse)

最后，我们可以将预测结果可视化：

import matplotlib.pyplot as plt

# 绘制真实数据和预测数据的图表
plt.plot(test_y)
plt.plot(preds)
plt.legend(['真实数据', '预测数据'])
plt.show()

这是一个简单的例子，你可以根据自己的数据和需求进行修改和调整。