1.周期分解算法:周期分解算法是将时间序列划分为趋势、季节性和随机分量的方法，用于预测未来的趋势和季节性的变化。2.季节性Model:季节性ARIMA模型是用季节性分析时间序列数据的统计模型，可以结合时间序列的季节和趋势进行建模，6.季节趋势预测法是根据每年重现的经济事物的周期性季节变化指数来预测季节性的变化趋势。
要求数据窗为整周期的算法有:周期分解算法、季节性ARIMA模型、循环神经网络和周期递归神经网络。1.周期分解算法:周期分解算法是将时间序列划分为趋势、季节性和随机分量的方法，用于预测未来的趋势和季节性的变化。该算法通常将数据划分为整个周期的时间窗口(如一年、一个月等。).2.季节性Model:季节性ARIMA模型是用季节性分析时间序列数据的统计模型，可以结合时间序列的季节和趋势进行建模。
3.循环神经网络:循环神经网络是一种可以处理序列数据的神经网络模型，通过记忆以前的状态，可以更好地预测未来的状态。使用RNN进行时间序列分析时，通常需要将数据划分为整个周期的时间窗口。4.周期性递归神经网络:周期性递归神经网络是一种能够处理周期性数据的神经网络模型，能够捕捉数据的周期性属性并用于未来预测。该算法通常需要将数据分成整个周期的时间窗口。
根据数据分析方法的不同，时间序列预测方法可分为:简单时间序列平均法、加权时间序列平均法、移动平均法、加权移动平均法、趋势预测法、指数平滑法、季节性趋势预测法、市场生命周期预测法等。1.简单的时间序列平均法只能适用于事物变化不大的趋势预测。如果事物呈现一定的上升或下降趋势，就不应该采用这种方法。2.加权序时平均法是将各个时期的历史数据按照近期和远期的影响程度进行加权，取平均值作为下一个预测值。
当产品需求没有快速增加或减少，且没有季节性因子时，移动平均法可以有效地消除预测中的随机波动。4.加权移动平均法是按权重计算简单移动平均。在确定权重时，近期观测值的权重应较大，远期观测值的权重应较小。5.指数平滑法用于预测短期和中期经济发展趋势。在所有的预测方法中，指数平滑法是最常用的一种。6.季节趋势预测法是根据每年重现的经济事物的周期性季节变化指数来预测季节性的变化趋势。
