ARIMA模型全称为差分自回归移动平均模型（Autoregressive Integrated Moving Average Model），是由博克思（Box）和詹金斯（Jenkins）于20世纪70年代初提出的著名时间序列预测方法，所以又称为Box-Jenkins模型、博克思—詹金斯法。
ARIMA模型是ARMA模型的拓展，可以表示为ARIMA（ p ， d ， q ），其中AR是自回归， p 为自回归项； MA为移动平均， q 为移动平均项数； d 为时间序列成为平稳序列时所做的差分次数。所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归，所建立的模型。ARIMA模型根据原序列是否平稳，以及回归中所含部分的不同，包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA），以及ARIMA过程。
ARIMA模型的基本思想是：
将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来大概描述这个序列。这个模型一旦被识别后就可以利用时间序列的过去值及现在值来预测未来值。
由于ARIMA模型是ARMA模型的拓展，ARIMA包含ARMA模型的三种形式，即AR、MA、ARMA模型，另外它还有一种经差分的ARMA模型形式，即：
对于 d 阶单整序列 I ( d )，令：
则 w t 是平稳序列。于是可对 w t 建立ARMA（ p ， q ）模型，所得到的模型称为 X t ～ARIMA（ p ， d ， q ）模型，故ARIMA（ p ， d ， q ）模型可以表示为：
