数据分析中的时序分析侧重于研究按时间顺序收集或记录的数据点，以识别随时间推移出现的模式、趋势和关系。与横截面数据不同，时序数据强调时间序列，从而可以对变量如何动态变化进行建模。例如，跟踪每日网站流量、每月销售额或物联网设备在数分钟内的传感器读数都属于时序数据集。其核心目标通常是揭示潜在结构（如季节性或趋势），并利用它们预测未来值或检测异常。
时序分析的关键步骤是数据预处理。带有时间戳的数据通常包含缺失值、不规则间隔或噪声，这些都必须加以处理。例如，开发人员可以将每小时数据重新采样为每日平均值，或使用线性方法插值传感器缺失的温度读数。另一个关键任务是使数据平稳——去除趋势或季节性，以稳定随时间变化的统计属性。差分（从当前值中减去前一个值）或变换（对数）等工具有助于实现此目的。例如，对每月销售数据进行差分可以揭示增长率是否一致，而与整体上升趋势无关。
建模和预测是时序分析的核心。常用技术包括自回归模型 (ARIMA)，它根据过去的观测值和残差预测未来值，以及长短期记忆 (LSTM) 网络等机器学习方法。ARIMA 需要配置诸如滞后观测值数量 §、差分阶数 (d) 和移动平均项 (q) 等参数，这些参数通常使用自相关图确定。LSTM 是一种循环神经网络，可用于捕获复杂的时间依赖关系，例如根据历史使用模式预测服务器负载峰值。训练后，模型使用诸如平均绝对误差 (MAE) 或均方根误差 (RMSE) 等指标进行评估，预测结果根据保留数据集进行验证。例如，开发人员可以使用 ARIMA 预测下周的 API 请求量并相应地调整服务器容量。