时间序列指的是在时间上一个接着一个的观测数据序列，其中相邻的观测数据是相关的. 这可以用于系统的建模、仿真和预测. 时间序列模型频繁地用于诸如经济、金融、生物和工程等领域.

Wolfram 语言提供了全套时间序列功能，包括标准模型，比如 MA、AR 和 ARMA，以及多个推广. 时间序列模型可以被模拟、根据数据进行估计，并且用于生成未来行为的预测.

TimeSeriesModelFit — 自动对数据拟合时间序列过程模型

基本 ARMA 过程

MAProcess — 移动平均过程（标量和矢量）

ARProcess — 自回归过程（标量和矢量）

ARMAProcess — 自回归移动平均过程（标量和矢量）

集成和季节性 ARMA 过程

SARIMAProcess — 多项式和周期性趋势的季节性集成

ARIMAProcess  ▪  SARMAProcess  ▪  FARIMAProcess

GARCH 过程

ARCHProcess — 自回归条件异方差过程

GARCHProcess — 广义 ARCH 过程

过程框架 »

RandomFunction — 模拟时间序列过程

EstimatedProcess — 估计时间序列过程中的参数

TimeSeriesForecast — 预测事件序列过程中的未来值

KalmanFilter — 基于时间序列模型对数据进行过滤

TemporalData — 时间序列数据

FindProcessParameters  ▪  AdjustTimeSeriesForecast

CovarianceFunction  ▪  CorrelationFunction  ▪  AbsoluteCorrelationFunction  ▪  PartialCorrelationFunction  ▪  PowerSpectralDensity

模型属性和表示法

WeakStationarity — 时间序列模型是弱平稳的条件

TimeSeriesInvertibility — 时间序列模型条件是可逆的

ToInvertibleTimeSeries — 给出时间序列的可逆表示

时间序列数据处理 »

UnitRootTest — 检测时间序列数据是否是稳态的

AutocorrelationTest — 检验时间序列数据是否是自相关的

Differences — 数据的去趋势（detrending）和去季节性（deseasoning）

MovingAverage — 移动平均滤波