ARIMA是一个由几个部分组成的参数化模型。首先，I用于集成，它与从数据中消除非平稳性的技术有关，通过查看序列值之间的差异而不是值本身，该参数指示我们想要执行此操作的频率。AR代表自回归，它是一种回归模型，它对自身的先前值（滞后特征）进行回归，顺序决定了我们向后看多远。MA表示移动平均线，它指的是误差项的线性组合，这也是按顺序参数化的。

Box-Jenkins是一种使用 ARIMA 的方法，但它在拟合模型之前首先涉及一些检查，然后进行批评以查看模型的工作情况。这允许迭代到更好的拟合模型。

Holt-Winters 方法用于平滑时间序列。有时时间序列中涉及很多噪音，而您只对趋势以及值如何相互关联感兴趣。通过例如移动平均线或指数平滑来平滑它，希望您通过尝试过滤噪声获得更多信息，而不是通过丢弃相关信息而丢失。