一句话定义：ARIMA（AI 词典：Autoregressive">Autoregressive Integrated Moving Average，自回归积分移动平均模型）是一类经典的时间序列预测方法——它先用「差分」把不平稳的数据捋平，再用「自回归」和「移动平均」两块拼图刻画剩下的规律。
为什么需要它：因为现实数据不"平稳"
平稳性（stationarity）是时间序列分析的核心前提：均值不随时间漂移、波动幅度大致恒定、相关结构只跟时间间隔有关。但现实数据几乎都不平稳——销售额逐年上涨，用户数在增长，股价波动时大时小。规律本身在变，就没法用一套固定公式去套。
ARIMA 的思路很朴素：不硬套，先加工。
三件套各干什么
I —— 差分（Integrated 里的 I）：不做预测，先做减法。把今天的值减昨天的值，得到新序列。这一步相当于不看"每天卖了多少"，而看"每天多卖了多少"。上涨趋势被抵消，剩下的增量围绕零上下晃。如果一阶差分还不够稳，就再差一次；参数 d 就是差分次数，实际工作中多为 0、1、2。
AR —— 自回归（Autoregressive）：既然序列稳了，就用它的过去解释它的现在。像"今天气温 ≈ 昨天 × 0.8 + 前天 × 0.2"这种式子，本质是让数据回归它自己。参数 p 表示回头看几期。
MA —— 移动平均（Moving Average）：注意它和股市里的"均线"不是一回事。这里的移动平均说的是：今天的值受前几期预测误差的影响。误差像突发事件留下的余温——某天突然爆单，第二天往往还有惯性。参数 q 是回看多少个历史误差。
合起来记作 ARIMA(p, d, q)：d 负责把非平稳变平稳，p 和 q 负责刻画平稳之后剩下的惯性。至于三个参数怎么选，常用自相关图（ACF）、偏自相关图（PACF）初判，再用 AIC 等信息准则或交叉验证择优；d 可以借助平稳性检验（如 ADF 检验）辅助判断。具体工具的实现细节和默认值，以官方文档为准。
和相邻概念的区别
| 方法 | 核心假设 | 主要信息来源 |
|---|---|---|
| ARIMA | 差分后平稳 | 自身历史值 + 历史误差 |
| ARMA | 序列本来就平稳 | 同上（等价于 d=0） |
| 指数平滑 | 越近的数据越重要 | 加权平均，偏经验规则 |
| 线性回归 | 样本独立 | 外部特征变量 |
一句话总结差别：线性回归靠"别人"解释你，ARIMA 靠"你自己的过去"解释你。
对从业者的意义
ARIMA 是基线模型里的常青树：数据量不大、要求可解释、需要快速上线时它很划算，很多深度学习时序论文也仍拿它当对照。它能给出预测区间，参数含义清晰，算力成本极低。短板同样清楚——只擅长线性关系和短期预测，对突变、节假日效应、多变量耦合基本无能为力，所以实践中常与外部变量（ARIMAX）、季节性（SARIMA）搭配使用。
对非技术同学来说，ARIMA 提供了一个通用视角：预测 = 结构 + 噪声。差分拿走趋势，自回归拿走惯性，剩下的才是真正难预测的部分。看懂这一点，也就能明白为什么"涨了还会接着涨"有时成立、有时立刻失效。