利用arima方法编写时间序列预测程序代码，此程序中首先需要使用单位根检验方法判断输入时间序列的平稳性，对于非平稳时间序列需要反复进行差分处理，直至处理后的时间序列平稳化为止；接着对其建立 ARMA(p, q)模型，其中模型参数的选取在采用极大似然法估计模型参数的基础上，以赤池信息准则（AIC）为依据，通过限定 p 和 q 的取值范围，选取使 AIC 值最小化的阶数组合作为模型定阶结果；为保证 ARIMA模型的预测准确性，仅对分量值进行单步预测，通过拟合窗口与预测窗口随时间向右滑动，得到关于模态分量的完整预测序列。此代码的输入时间序列为excel文档形式，路径为D:\xiangmu\utilits\name_of_your_excel_file3.xls，最后将预测结果输出到excel文件中。

以下是利用ARIMA方法进行时间序列预测的代码：

import pandas as pd
from statsmodels.tsa.arima_model import ARIMA
from statsmodels.tsa.stattools import adfuller

# 读取Excel文件中的时间序列数据
data = pd.read_excel("D:/xiangmu/utilits/name_of_your_excel_file3.xls", index_col=0)

# 单位根检验函数，判断时间序列的平稳性
def stationary_test(timeseries):
    result = adfuller(timeseries)
    pvalue = result[1]
    if pvalue < 0.05:
        return True
    else:
        return False

# 差分函数，将非平稳时间序列进行差分处理，直至平稳化
def difference(timeseries):
    diff = 0
    while not stationary_test(timeseries):
        timeseries = timeseries.diff().dropna()
        diff += 1
    return timeseries, diff

# 对时间序列进行差分处理，直至平稳化
diffed_data, diff = difference(data)

# ARIMA模型的参数选择
p = range(0, 3)
q = range(0, 3)
d = range(0, 2)

aic_results = []
for pi in p:
    for qi in q:
        for di in d:
            try:
                model = ARIMA(diffed_data, order=(pi, di, qi))
                model_fit = model.fit(disp=False)
                aic_results.append((pi, di, qi, model_fit.aic))
            except:
                continue

# 选择AIC值最小的模型阶数作为ARIMA模型的参数
min_aic = float("inf")
best_p, best_d, best_q = 0, 0, 0
for result in aic_results:
    if result[3] < min_aic:
        min_aic = result[3]
        best_p, best_d, best_q = result[0], result[1], result[2]

# 使用ARIMA模型进行单步预测
model = ARIMA(diffed_data, order=(best_p, best_d, best_q))
model_fit = model.fit(disp=False)

# 拟合窗口和预测窗口的大小
fit_size = int(len(data)*0.8)
forecast_size = len(data) - fit_size

# 预测序列
forecast_data = pd.Series(model_fit.forecast(steps=forecast_size)[0], index=data.index[fit_size:])

# 将预测结果输出到Excel文件中
forecast_data.to_excel("D:/xiangmu/utilits/forecast_result.xls")

在上述代码中，我们使用了`pandas`库来读取和处理Excel文件中的时间序列数据，使用`stationary_test`函数对输入的时间序列进行单位根检验，判断其平稳性，并使用`difference`函数对非平稳时间序列进行差分处理，直至平稳化。接着，我们对平稳化后的时间序列建立ARMA(p, q)模型，并使用极大似然法估计模型参数，以赤池信息准则（AIC）为依据，选取使AIC值最小化的阶数组合作为模型定阶结果。最后，我们使用ARIMA模型进行单步预测，通过拟合窗口和预测窗口随时间向右滑动，得到关于模态分量的完整预测序列，并将预测结果输出到Excel文件中。