统计方法在处理按时间顺序排列的数据点时显得尤为有效，尤其是时间序列预测模型。这类模型在金融、气象、销售等多个领域中得到了广泛应用，它们被用来预测股票价格、天气变化以及销售趋势等。这些模型主要依赖于数据的自相关性，即当前时间点的值与之前时间点的值之间的关系，来构建预测模型。
- 自回归模型（AR）专注于将当前时间序列的值与其过去的值进行线性关联。对于平稳序列，它表现得尤为出色，但对于非平稳数据，通常需要先进行差分处理。
- 移动平均模型（MA）侧重于预测误差的累加，特别适用于处理那些具有随机波动性的数据。
- 自回归移动平均模型（ARMA）是AR和MA的结，它能够更好地拟合平稳时间序列。
- 自回归积分滑动平均模型（ARIMA）是一个强大的工具，它通过差分将非平稳时间序列转化为平稳序列，然后利用ARMA模型进行预测。尤其对于非平稳数据，它展现出了卓越的预测能力。
- 季节性自回归整合移动平均线（SARIMA）在ARIMA的基础上进一步考虑了季节性因素的影响，使其在特定领域如季节性业务预测中大放异彩。
- 向量自回归（VAR）专注于多变量时间序列数据的预测，能够捕捉多个时间序列之间的动态关系。
- 指数平滑法（ES）利用过去的观测值并给予其指数递减的权重来平滑数据，尤其适用于那些具有趋势和季节性的数据。
- 长短期记忆网络（LSTM）作为循环网络的特例，特别擅长处理和预测时间序列数据中的序列关系，特别是在包含长期依赖信息的情况下。
- 深度状态空间模型（DS）结合了深度学习与状态空间模型的优点，为时间序列预测提供了新的解决方案，尤其擅长处理非线性和非平稳数据。