建模步骤：
（１）判别时间序列平稳性，利用时间序列时序图，自相关，偏自相关图或者单位根检验来判别。
（２）利用时间序列来拟合回归模型（包括以时间T为自变量的回归模型和以历史观察值为自变量的回归模型）
（３）对上述回归模型的残差进行自相关性检验，若其残差表现出明显的自相关性，则进行残差的ARMA模型的拟合，否则，不需要拟合。
（４）计算模型的各项参数
（５）对整个模型的最终残差进行白噪声检验
1. 了解时间序列数据的性质：在开始建立自回归模型之前，需要先了解时间序列数据的性质。例如，它们是否具有趋势、季节性、周期性等等。这些特征可以影响到选择合适的自回归模型。
2. 确定滞后阶数：滞后阶数指的是用多少个过去时刻的数据来预测当前的数据。通常使用自相关函数（ACF）和偏自相关函数（PACF）来确定滞后阶数。ACF表示在不同时间延迟下，时间序列与其自身之间的相关性，而PACF消除了其他滞后项的影响，仅显示出特定滞后项对当前值的影响。
3. 比较不同的自回归模型：根据确定的滞后阶数，需要比较不同的自回归模型，如AR（自回归）、MA（移动平均）或ARMA（自回归移动平均）模型。选择最优模型通常基于信息准则（如AIC或BIC）或残差分析。
4. 拟合模型并检验：选择最优模型后，需要进行模型拟合，并对模型进行检验。模型拟合通常使用最大似然估计法或贝叶斯估计法，检验可以使用残差分布图、残差自相关函数和Ljung-Box检验等方法。
5. 使用模型进行预测：在验证通过的模型中，使用历史数据来预测未来的数据。需要注意的是，预测的精度可能会受到许多因素的影响，如样本大小、数据的错误和异常值等。
