根據動態數據做出相關圖，進行相關分析，求自相關函數。相關圖可以顯示變化的趨勢和周期，可以找到跳躍點和拐點。如果跳轉點是正確的觀察值，則在建模時應該考慮它。如果不正常，則應將跳轉點調整到期望值。
確定合適的隨機模型，進行曲線擬合，用壹般隨機模型擬合時間序列的觀測數據。對於較短或簡單的時間序列，趨勢模型和季節模型可以用來擬合誤差。對於平穩時間序列，可以用壹般的ARIMA模型及其特殊的自回歸模型、移動平均模型或組合ARIMA模型進行擬合。
擴展數據:
時間序列模型的作用和影響；
1.根據觀察系統得到的時間序列數據，用曲線擬合的方法對系統進行客觀描述。ARMA模型用於擬合時間序列並預測時間序列的未來值。
2.當觀測值取自兩個以上變量時，可以用壹個時間序列的變化來解釋另壹個時間序列的變化，從而深入理解給定時間序列的機理。
3.為用戶提供壹套完整的時間序列建模、分析和預測工具，包括平穩和無趨勢的時間序列分析和預測，帶季節周期的時間序列預測和差分自回歸移動平均(ARIMA)建模和分析。
百度百科-時間序列模型