SARIMA（季节性自回归积分滑动平均模型）是一种时间序列预测模型，它通过整合季节性模式扩展了 ARIMA（自回归积分滑动平均模型）。ARIMA 模型旨在利用三个参数捕捉非季节性数据中的趋势和依赖关系：p（自回归阶数）、d（差分阶数）和 q（滑动平均阶数）。 SARIMA 添加了四个季节性参数：P（季节性自回归）、D（季节性差分）、Q（季节性滑动平均）和 m（季节性周期长度，例如，对于具有年度季节性的月度数据，为 12）。这使得 SARIMA 能够对非季节性效应和重复性季节性效应进行建模，从而使其对于具有周期性模式的数据集更加灵活。
主要区别在于 SARIMA 如何处理季节性。例如，ARIMA 可能会对每月的销售趋势进行建模，但无法考虑年度假日高峰。SARIMA 通过添加明确地对重复模式进行建模的季节性项来解决此问题。SARIMA 模型表示为 SARIMA(p, d, q)(P, D, Q)m。第一组括号表示非季节性 ARIMA 分量，而第二组定义季节性调整。例如，如果月度销售数据显示年度模式（m=12），SARIMA 可以使用 P=1 来捕捉前一年 12 月的销售额对当前 12 月的自回归效应。差分 (D) 可能会消除季节性趋势，例如从每个数据点中减去前一年的值。
一个实际的例子有助于说明这一点。假设您要预测电力需求，该需求每天都会出现高峰（例如，下午 6 点的用量较高）且存在季节性（例如，冬季的用量较高）。ARIMA 可以对总体趋势和每日波动进行建模，但可能会错过年度冬季激增。SARIMA，使用 m=365（每日数据）或 m=12（每月数据），将对每日和年度模式进行建模。在 Python 中使用 statsmodels 实现 SARIMA 需要指定季节性参数以及标准 ARIMA 项，而 ARIMA 将忽略它们。这使得 SARIMA 更加复杂，但对于季节性是关键因素的数据集来说是必要的。