时间序列最早可以追溯到7000年前的古埃及，古埃及人为了发展农业，每天都会记录尼罗河涨落的情况，日复一日，年复一年，从而构成了一个时间序列，他们根据这个序列，做了大量的演算工作，发现了数据间的规律,然后古埃及的农业便得到了迅速发展。描述性时间序列分析诞生于比较早的时期，它比较基本，但工作量很大：不断记录出观测数据并绘图，寻找其中的发展规律。19世纪，德国业余天文学家S.H.Schwabe通过描述性时间序列分析，对星空经过了几十年的观察，将观察到的数据进行了绘图，得出了一个结论：太阳黑子的活动具有11年左右的周期，这一发现必然享誉世界，然而随着研究的不断深入以及人们求知欲望的不断深入，人们发现单纯的描述性时间序列具有局限性，因此在20世纪上半叶，科学家们开始用概率统计学等机器学习的方法来分析出数据之间的相关关系，从而得以建立合适的统计模型。

1927年，英国统计学家G.U.Yule提出的自回归模型，它用来预测市场变化的规律。紧接着在1931年，英国的G.T.Walker爵士在使用了MA(移动平均)模型和ARMA(自回归移动平均)模型分析并预测了印度的大气变化。NorbortWiener和AndreiK.lmogonor在20世纪提出了时间序列分析的最基本理论，对时间序列拟合参数模型和推断做出了贡献，并提供了相应的文献，这极大地推动了时间序列分析在工程学中的运用。在20世纪后半叶，G.P.Box和G.M.Jenkins联合发表《时间序列分析的预测和控制》一书,此著作在前人研究的基础上，提出了求和自回归移动平均(ARIMA)模型，比较详细地阐明了ARIMA模型的识别，性质，建立和预测功能，并使其成为研究时间序列的基本方法。20世纪80年代以来，多变量场合，异方差,非线性等时间序列是统计学家们最新的研究方向，亦且也取得了突破性的进展。ARCH模型问世以来，1985年，Bollerslev为进一步放宽ARCH的约束条件,提出了广义自回归条件异方差模型;指数广义自回归条件异方差(GARCH),.方差无穷广义自回归条件异方差(ARCH-M)和依均值广义自回归条件异方差等限制条件更为宽松的异方差模型是由Nelson等人相继提出的。

在统计学的领域，时间序列严格来说可以这样去定义：一组随时间变化的数据{xt}(x1,x2,…,Xn)代表一个随机事件的时间序列,它具有n个有序的观测值。时间序列分析的目的是研究{xt}中数据的性质,并观察值序列的性质来推断整个时间序列的性质,从而达到预测未来的目的。通常情况下，寻找数据间规律的方法为曲线拟合和参数估计（如线性或非线性最小二乘法）。

时间序列分析是估计动态数据的一种统计方法。该方法探讨了数据间存在的隐蔽的规律，该方法基于随机过程理论和数理统计方法研究随机数据序列的统计规律,并总结相关事物的发展规律来解决实际问题。