ARIMAUn modello di media mobile integrata autoregressiva (ARIMA) è una generalizzazione di un modello di media mobile autoregressiva (ARMA).
ETSIl livellamento esponenziale è una tecnica pratica per uniformare i dati delle serie temporali utilizzando la funzione finestra esponenziale.
NaiveUn modello semplice che utilizza l'ultimo valore come previsione per il futuro.
Neural NetUna rete neurale artificiale (ANN) è un modello basato su un insieme di unità o nodi connessi chiamati neuroni artificiali, che modellano vagamente i neuroni di un cervello biologico.
ProphetProphet è una procedura per la previsione di dati di serie temporali basata su un modello additivo in cui le tendenze non lineari si adattano alla stagionalità annuale, settimanale e giornaliera, oltre agli effetti delle festività. Funziona meglio con serie temporali che hanno forti effetti stagionali e diverse stagioni di dati storici. Prophet è resistente ai dati mancanti e ai cambiamenti di tendenza e in genere gestisce bene i valori anomali.
STLSTL è un metodo versatile e robusto per la decomposizione delle serie temporali. STL è l'acronimo di «Seasonal and Trend decomposition using Loess», mentre Loess è un metodo per stimare le relazioni non lineari.
TBATSTBATS è un modello di serie temporali utile per la gestione di dati con più modelli stagionali. TBATS è l'acronimo delle caratteristiche principali del modello: T: stagionalità trigonometrica B: trasformazione Box-Cox A: errori ARIMA T: Trend S: componenti stagionali.
ThetaIl modello Theta è un metodo di previsione semplice che prevede l'adattamento di due linee theta, la previsione delle linee utilizzando un semplice livellamento esponenziale e quindi la combinazione delle previsioni delle due linee per produrre la previsione finale.
