在ARIMA模型中，如果计算过程中出现警告信息“发现非平稳的初始自回归参数。使用零作为起始参数”，通常表示模型的初始参数不合适，导致模型无法收敛。以下是解决这个问题的一些方法：

1. 检查数据的平稳性：ARIMA模型要求时间序列数据是平稳的。可以通过绘制时间序列的图形、计算滚动均值和滚动标准差，以及进行ADF单位根检验等方法来判断数据的平稳性。

# 绘制时间序列图
import matplotlib.pyplot as plt
plt.plot(data)
plt.show()

# 计算滚动均值和滚动标准差
rolling_mean = data.rolling(window=12).mean()
rolling_std = data.rolling(window=12).std()

# 进行ADF单位根检验
from statsmodels.tsa.stattools import adfuller
result = adfuller(data)
print('ADF统计量:', result[0])
print('p-value:', result[1])

2. 进行数据转换：如果数据不平稳，可以尝试进行差分运算或对数变换等方法来使数据平稳。差分运算可以通过计算一阶差分或季节性差分来实现。

# 一阶差分
diff_data = data.diff().dropna()

# 季节性差分
diff_seasonal_data = data.diff(12).dropna()

# 对数变换
import numpy as np
log_data = np.log(data)

3. 调整ARIMA模型的参数：根据数据的特点，可以尝试调整ARIMA模型的参数，例如自回归阶数(p)、差分阶数(d)和移动平均阶数(q)。可以使用AIC或BIC等信息准则来选择最优的参数组合。

# 搜索最优参数组合
import itertools
import warnings
import statsmodels.api as sm

# 忽略警告信息
warnings.filterwarnings("ignore")

# 定义ARIMA模型的参数范围
p = range(0, 3)
d = range(0, 2)
q = range(0, 3)

# 生成所有参数组合
parameters = list(itertools.product(p, d, q))

# 选择最优参数组合
best_aic = float("inf")
best_params = None

for param in parameters:
    try:
        model = sm.tsa.ARIMA(data, order=param)
        results = model.fit()
        aic = results.aic
        if aic < best_aic:
            best_aic = aic
            best_params = param
    except:
        continue

print('Best AIC:', best_aic)
print('Best Parameters:', best_params)

4. 增加训练样本量：如果样本量较小，可能会导致模型无法收敛。可以尝试增加训练样本量，以提高模型的准确性和稳定性。

通过以上方法，可以解决ARIMA计算结果出错的问题，并得到适合的初始参数，使模型能够成功收敛。