ARIMA模型（英语：Autoregressive Integrated Moving Average model），差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称作滑动），是时间序列预测分析方法之一。ARIMA(p，d，q)中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。“差分”一词虽未出现在ARIMA的英文名称中，却是关键步骤。

该数据为客流量时间序列数据，用于为一篇博文所使用，展示利用R语言拟合ARIMA模型。

关于ARIMA模型时间序列分析，以及该模型在Python中的相关使用

分解数据：时间序列稳定化测试方法：测试序列稳定性：看以看到整体的序列并没有到达稳定性要求，要将时间序列转为平稳序列，有如下几种方法：DeflationbyCPILogarithmic（取对数）FirstDifference（一阶差分）SeasonalDifference（季节差分）SeasonalAdjustment这里会尝试取对数、一阶查分、季节差分三种方法，先进行一阶差分，去除增长趋势后检测稳定性：可以看到图形上看上去变稳定了，但p-value的并没有小于0.05。再来看看12阶查分（即季节查分），看看是否稳定：从图形上，比一阶差分更不稳定（虽然季节指标已经出来了），我们再来将一阶查分和季

ARIMA模型在气温预报中的应用--以延安地区为例，李双，王君兰，根据延安1961-2000年共40年的七月份月平均气温数据资料分别利用差分自回归移动平均法（ARIMA）对延安2001-2004年七月份月平均气温值做预�

Elman神经网络与ARIMA模型对流感发病率预测效果的比较

ARIMA模型MATLAB实现代码，通过一批现有数据（本代码中batch=100），向后预测后n个数据，n越大，预测效果越差。代码可以直接运行，有实例支持，可以很快上手。压缩包包括以下三部分：主程序（ARIMA_main.m），辅助函数（Inverse_BoxCox.m），测试数据（testdata.xls）。

计量经济学软件包;用以处理时间序列数据;回归方程的预测

用于仓储水位预测等等，该篇是一篇期刊。

对时间序列数据进行建立ARIMA模型，使用的语言是Python