（一）时间序列按照是否具有上升或下降的变动分为平稳序列、非平稳序列
1.平稳序列(stationary series)基本上不存在趋势的序列，各观察值基本上在某个固定的水平上波动；
或虽有波动，但并不存在某种规律，而其波动可以看成是随机的；
2.非平稳序列 (non-stationary series)：是包含趋势、季节性或周期性的序列
（1）有趋势的序列
（2）有趋势和季节性的序列
（3）复合型序列
（二）时间序列预测的程序
1.确定时间序列的成分
（1）确定趋势成分
确定趋势成分是否存在，可以从绘制时间序列的线图入手，观察线图后，就可以看出时间序列中是否存在趋势，以及所存在的趋势是线性的还是非线性的。
判断趋势成分是否存在的另一种方法是利用回归分析拟合一条趋势线，然后对回归系数进行显著性检验。如果回归系数显著，就可以得出线性趋势显著的结论。
（2）确定季节成分
确定季节成分是否存在，至少需要两年的数据，而且数据需要按季度、月份、周或天等来记录。确定季节成分也可以从绘制时间序列的线图入手，但这里需要一种特殊的时间序列图，即年度折叠时间序列图。绘制该图时，需要将每年的数据分开画在图上，也就是横轴只有一年的长度，每年的数据分别对应纵轴。如果时间序列只存在季节成分，年度折叠时间序列图中的折线将会有交叉；如果时间序列既含有季节成分又含有趋势，那么年度折叠图时间序列图中的折线将不会有交叉，而且如果趋势是上升的，后面年度的折线将会高于前面年度的折线，如果趋势是下降的，后面年度的折线将低于前面年度的折线。
2.选择预测方法
在确定了时间序列的类型后，预测程序的第2步就是选择适当的预测方法。利用时间序列数据进行预测时，通常假定过去的变化趋势会延续到未来，这样就可以根据过去已有的形态或模式进行预测。时间序列的预测方法既有传统方法，如简单平均法、移动平均法、指数平滑法等，也有较为精确的现代方法，如Box-Jenkins的自回归模型（ARMA）。
一般来说，任何时间序列中都会有不规则成分存在，而商务与管理数据中通常不考虑周期性，所以只剩下趋势成分和季节成分。这里介绍的预测方法主要是针对平稳序列、含有趋势成分或季节成分的时间序列。
不含趋势和季节成分的时间序列，即平稳时间序列，由于这类数列只含随机成分，只要通过平滑就可以消除随机波动，因此，这类预测方法也称为平滑预测方法。对于只含有趋势成分的时间序列，可以利用趋势预测方法。对于既含有趋势又含有季节成分的时间序列，则采用季节性预测方法，这些方法对于既含有季节成分也含有随机成分的时间序列同样适用。
3.预测方法的评估
在选择了某一种特定的方法进行预测时，需要评价该方法的预测效果或准确性。评价的方法就是找出预测值与实际值的差距，这个差值就是预测误差。最优的预测方法也就是预测误差达到最小的方法。预测误差的计算方法有几种，包括平均误差、平均绝对误差、均方误差、平均百分比误差和平均绝对百分比误差等。选择哪种方法取决于预测者的目标、对方法的熟悉程度等。
（1）平均误差
时间序列的第i个观察值为Yi，预测值为Fi，则所有预测误差（Yi-Fi）的平均数就是平均误差。
（2）平均绝对误差
平均绝对误差是将预测误差绝对值后计算的平均误差。
相对于平均误差，用平均绝对误差计算预测精度更准确，因为平均绝对误差对各项测量值与实际值之间的离差进行了绝对值化，不会再出现正负相互抵消的情况。
（3）均方误差
均方误差是通过平方消去误差的正负号后计算的平均误差。
均方误差用将测量值与实际值之间的离差平方化的方法，避免了正负相抵从而造成的误差偏低的情况，更能够真实反映误差的实际水平。但同平均绝对误差相比较而言，均方误差指标的数值会更大一些。
（4）平均百分比误差
平均百分比误差是对误差的一种相对度量值，消除了时间序列数据的水平和计量单位的影响。
（5）平均绝对百分比误差
平均绝对百分比误差同平均百分比误差相比，消除了由于预测误差的数值正负号求和的结果将会相互抵消所带来的影响。
上面介绍的预测误差的计算方法中哪种最优，还没有一致的看法。本章采用均方误差来评价预测方法的优劣。
4.利用最佳预测方法进行预测
5.时间序列的构成要素
（1）趋势(trend)：呈现出某种持续向上或持续下降的状态或规律
（2）季节性(seasonality)也称季节变动(Seasonal fluctuation)：时间序列在一年内重复出现的周期性波动
（3）周期性(cyclity)也称循环波动(Cyclical fluctuation)：围绕长期趋势的一种波浪形或振荡式变动
（4）随机性(random)也称不规则波动(Irregular variations)：除去趋势、周期性和季节性之后的偶然性波动
