介绍主要的非平稳时间序列模型

1. 自回归移动平均模型（ARMA）：ARMA模型是一种广泛应用于非平稳时间序列数据建模和预测的模型。它是自回归模型（AR）和移动平均模型（MA）的组合。ARMA模型基于时间序列的自相关性和移动平均性，通过拟合ARMA模型的系数，可以预测未来的时间序列。

2. 自回归积分移动平均模型（ARIMA）：ARIMA模型是一种常用的非平稳时间序列模型。它是自回归模型（AR）和移动平均模型（MA）的组合，并引入了差分操作（I），可用于处理非平稳的时间序列数据。ARIMA模型的主要特点是适用于各种类型的非平稳时间序列数据建模和预测。

3. 季节性自回归移动平均模型（SARIMA）：SARIMA模型是ARIMA模型的一种扩展，适用于具有季节性的时间序列数据建模和预测。它考虑了时间序列中的季节性变化，并根据季节性的周期性变化来拟合模型，可以更准确地预测未来的时间序列。

4. 季节性自回归积分移动平均模型（SARIMA）：SARIMA模型是ARIMA模型和SARIMA模型的组合，适用于同时具有季节性和非平稳性的时间序列数据建模和预测。SARIMA模型在拟合模型时，考虑了时间序列的季节性和非平稳性特征，可以更准确地预测未来的时间序列。

5. 指数平滑模型（ES）：指数平滑模型是一种基于移动平均的时间序列模型。它通过对时间序列的历史数据进行加权平均，来预测未来的时间序列。指数平滑模型具有简单、易于理解和计算的特点，适用于预测短期时间序列数据。