第一步.對原始數據進行分析
一.ARIMA預測時間序列
指數平滑法對於預測來說是非常有幫助的，而且它對時間序列上面連續的值之間相關性沒有要求。但是，如果你想使用指數平滑法計算出預測區間，那麼預測誤差必須是不相關的， 而且必須是服從零均值、 方差不變的正態分佈。即使指數平滑法對時間序列連續數值之間相關性沒有要求，在某種情況下，我們可以通過考慮數據之間的相關性來創建更好的預測模型。自迴歸移動平均模型（ ARIMA） 包含一個確定（explicit）的統計模型用於處理時間序列的不規則部分，它也允許不規則部分可以自相關。
二.確定數據的差分
ARIMA 模型爲平穩時間序列定義的。 因此， 如果你從一個非平穩的時間序列開始，首先你就需要做時間序列差分直到你得到一個平穩時間序列。如果你必須對時間序列做 d 階差分才能得到一個平穩序列，那麼你就使用ARIMA(p,d,q)模型，其中 d 是差分的階數。
以每年女人裙子邊緣的直徑做成的時間序列數據爲例。
先導入數據：
###導入在線數據，並跳過前5行
skirts <- scan(“http://robjhyndman.com/tsdldata/roberts/skirts.dat”,skip=5)
skirts<- ts(skirts,start = c(1866)) #設定時間1866開始
plot.ts(skirts) #畫出圖
鍵入下面的代碼來得到時間序列（數據存於“skirtsts”） 的一階差分， 並畫出差分序列的圖:
skirtsdiff<-diff(skirts,differences=1) #一階差分
plot.t