时间数据也称时间序列或动态数据，是可按日、月、季度、年等时序排列的一组来自同一现象的观察值。时间序列的趋势与波动称为“模式”，时间序列分析首要识别其模式，然后用适当的曲线拟合。

时间序列常含有四种周期成分：趋势、季节变动、规则波动和不规则波动。其中，趋势是指长期持续向上或持续向下的倾向；季节变动是指实际过程受气候、市场状况、节假日或风俗习惯等影响而呈现的周期性波动；规则波动是指周期不等的变动，呈涨落交替之状；不规则波动是指夹杂在时间序列中，除去趋势、季节变动和周期波动之后的波动，会使时间序列产生一种波浪形或震荡式的变动。

时间序列建模步骤：取得时间序列样本；将样本点画成图，进行相关分析；模式识别与拟合；预测未来。

时间序列常用模型有ARMA模型和回归模型。(www.daowen.com)

1）ARMA模型。对于样本容量N>50的平稳时间序列，可用ARMA（自回归移动平均）模型拟合。非平稳时间序列可经差分化为平稳时间序列，再用ARMA模型拟合。

2）回归模型。时间序列{Y（k）}中若有趋势{Φ（k）}与随机分量{X（k）}，则可在分解后分别用不同的模型拟合。如果{X（k）}是均值为零的平稳序列，则可分别用回归模型和ARMA模型拟合。