时间序列是在一系列等间隔的时间期间上得到的一组观测值 y1, y2, ... ,yN。时间序列数据的一些示例包括季度销售报表、每月平均温度和太阳黑子计数。“时间序列”平台支持您探索在这些数据类型中找到的模式和趋势，然后可以使用这些模式和趋势来预测未来发展。
时间序列数据所共有的特征包括季节性、趋势和自相关性。季节性是指在已知的一段时间上发生的模式。例如，历年收集的数据中，每月收集的数据在夏季月份上都很相似。趋势是指序列的长期变动情况，例如值随着时间逐渐增加或减小。自相关性是指序列中的每个点与序列中早先的值相关的程度。
“时间序列”平台提供很多不同的模型和预测方法。但是，不是所有方法都可以处理趋势或季节性。为了选择合适的模型，必须确定序列中有哪些特征。“时间序列”平台提供一些图形（如变差图、自相关性图、偏自相关性图和谱密度图），它们可用于标识适合描述和预测时间序列发展的模型类型。在平台中还提供几个差分和分解方法，使您可以去除数据中的季节性或一般趋势来探索和简化分析。您还可以查看数据并将 Box-Cox 变换应用到数据中。
或者，平台可以拟合可包含季节性和长期趋势的更复杂的模型。其中一个这样的模型是 Winter 加法，它是一个高级指数平滑模型。此外，平台可以拟合“自回归求和移动平均 (ARIMA)”模型和“状态空间平滑”模型。这两类模型在统计上最复杂，但也提供了最大的灵活性。虽然高级指数平滑、ARIMA 和“状态空间平滑”模型更难解释，但是它们都是极好的预测工具。
“时间序列”平台还可以在提供输入序列时拟合转换函数模型。