时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列法是一种定量预测方法，亦称简单外延方法，在统计学中作为一种常用的预测手段被广泛应用。时间序列分析在第二次世界大战前应用于经济预测。二次大战中和战后，在军事科学、空间科学、气象预报和工业自动化等部门的应用更加广泛。时间序列分析（Time series analysis）是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。时间序列构成要素是：现象所属的时间，反映现象发展水平的指标数值。
本课程向学生详细讲解时间序列分析原理，以及用于预测、处理和识别顺序数据的方法。包括：时间序列和平稳数据简介；数据平滑化、自相关性和自回归积分滑动平均 (ARIMA) 模型等应用；高级时间序列概念，如卡尔曼滤波器和傅里叶变换。最后，向学生介绍用于时间序列分析的深度学习架构和方法。完成本课程后，学生将通过大量实践操作，掌握时间序列分析理论和方法，时间序列分析相关重要概念 —— 如：滤波器、信号变换和异常等，并熟悉使用 Python 机型深度学习、自相关性和自回归积分滑动平均分析。