在经济体系不稳定的发展中国家，历史数据的永久性波动一直是一个令人担忧的问题。 识别变量的依赖性和独立性是模糊的，建立可靠的预测模型比其他国家更复杂。 尽管非线性多元经济时间序列的线性化来预测可能会给出结果，但应忽略显示经济系统中不规则性的数据的性质。 人工神经网络（ANN）的新方法有助于建立一个保持数据属性的预测模型。 在本文中，我们使用德黑兰证券交易所 (TSE) 10 年的日内数据来预测未来 2 个月。 与自回归积分移动平均 (ARIMA) 模型相比，来自 ANN 的长短期记忆 (LSTM) 选择和输出。 结果表明，虽然在长期预测中，两种模型的预测精度都有所降低，但 LSTM 在精度误差方面明显优于 ARIMA。

基于ARIMA-BP神经网络的CPU利用率预测模型研究

时序分析和arima预测的例子，包括一个时序数据集合jupyter notebook代码，数据集是飞机乘客数据。

基于ARIMA-TGARCH模型的中国股票指数收益率波动研究，谢梦菂，王斌会，中国股票市场自开市以来已有三十多年的历史，交易制度和监管措施已经日趋完善，虽然和国外成熟的股票市场比较还是有一定的差距，

目录 基本信息 该项目尝试使用简单的ARIMA模型对财务模型进行建模。 技术领域 使用以下项目创建项目： Python版本：3.8 设置 最佳实践是在虚拟环境中运行程序文件，因为它允许程序以其自己的独立依赖项运行。 要初始化虚拟环境，请使用以下命令： cd path_to_project/ python -m venv .venv 要激活环境： Mac / Linux： source my_env/bin/activate 视窗： .\venv\Scripts\activate 要验证您的虚拟环境已激活，您的命令行应如下所示。 (.venv) ~path_to_project\Stats-6A03> 然后，要安装所需的依赖项，请运行以下命令。 pip install -r requirements.txt 要取消激活，只需使用以下命令： deactivate

文章采用ARIMA模型对我国"十二五"期间的能源消费总量进行预测。首先运用PASW statistics18软件中的预测模块对我国1978-2010年能源消费总量进行时间序列分析。然后对我国"十二五"期间的能源消费总量进行预测,并根据预测的结果给出相关的建议。

英文经典，SPSS中ARIMA算法的两个参考文献之一，ARIMA时间序列分析建模必备。附djvu格式阅读器。

用R语言做ARMA模型的代码 包括平稳性检验 自相关 模型阶数选择 预测等

一本教科书上面的代码 很不错的，对于做时间序列的朋友赶紧下载吧

2019年最新修订的在线SAS统计分析软件的注册及使用简介，并简单介绍了该软件用于ARIMA时间序列分析的例子。