将来请为您的问题提供一个可重复的示例，因为我对您的数据集的特征一无所知。正如@Irishstat 所提到的，您的数据可能没有趋势/模式，并且可能有水平偏移。

扩展我的评论：

arima(0,1,1) 是一个简单的指数平滑。预测水平将是平坦的，即实际值的最后一个值。

以下是说明我的评论的示例。

library("fma")
library("forecast")

## Without Drift
fit.m <- Arima(eggs,order = c(0,1,1))
forecast.m <- plot(forecast(fit.m,h=10))

#with Drift
fit.t <- Arima(eggs,order = c(0,1,1),include.drift=TRUE)
forecast.t <- plot(forecast(fit.t,h=10))

如您所见，第一个没有漂移的模型没有捕捉到下降趋势。预测持平。

forecast.m$mean
Time Series:
Start = 1994 
End = 2003 
Frequency = 1 
 [1] 62.87244 62.87244 62.87244 62.87244 62.87244 62.87244 62.87244 62.87244 62.87244 62.87244

带有漂移项的第二个模型捕获了下降趋势，因为它包括漂移项：

forecast.t$mean
Time Series:
Start = 1994 
End = 2003 
Frequency = 1 
 [1] 60.13606 57.75869 55.38132 53.00396 50.62659 48.24922 45.87186 43.49449 41.11712 38.73976

正如您所注意到的，您的 $\text{ARIMA}(0,1,1)$ 的预测是不变的。没有什么不对劲。$\text{ARIMA}(0,1,1)$ are constant. Nothing is amiss.

让我们从考虑差分序列开始。这是 $\text{MA}(1)$ 模型的简单情况，$0$ 均值：$y(t) = \varepsilon(t) + θ\, \varepsilon(t-1)$。$\text{MA}(1)$ model with $0$ mean: $y(t) = \varepsilon(t) + θ\, \varepsilon(t-1)$.

如果我们在时间 $T$，我们有 $T+1$ 的观测预测：$T$, we have for the forecast of the observation at $T+1$:

$E[y_{T+1|T}] = E[\varepsilon_{T+1|T}] + θ E[\varepsilon_{T|T}] = 0 + θ \, \hat{\varepsilon}_{T|T}$

最后一项，$\hat{\varepsilon}$，是数据的函数，但它的确切形式对我们目前的目的并不重要；这只是一些预测值。$\hat{\varepsilon}$, is a function of the data, but its exact form doesn't matter for our present purpose; it's just some forecasted value.

现在，让我们预测下一个：

$E[y_{T+2|T}] = E[\varepsilon_{T+2|T}] + θ E[\varepsilon_{T+1|T}] = 0 + θ\cdot 0 = 0$

... 同样，所有后续预测都是 0 美元。$0$.

现在对于集成的 $\text{MA}$，这些是该系列的预测差异。所以对于无差预测，一旦你有了第一个预测，所有额外的预测都等于它。$\text{MA}$, those are the predicted differences of the series. So for the undifferenced predictions, once you have the first forecast, all additional forecasts are equal to it.

同样，例如，如果您有一个 $\text{ARIMA}(0,1,2)$ 模型，那么第二个预测将与第一个不同，然后所有后续预测都将保持不变。$\text{ARIMA}(0,1,2)$ model, then the second forecast would differ from the first and then all subsequent forecasts would be constant.

您正在使用的模型（简单指数平滑）的一个特征是，无论 ma(1) 系数的特定值如何，未来每个时期的预测都是相同的。对于仅具有常数（均值模型）或最近水平偏移（最后局部均值）的模型也是如此

我认为您需要将数据转换为时间序列格式。预测是平坦的，因为模型无法知道预测是针对哪个月/年/时间段以及从中学习的模式。