自我迴歸整合移動平均線 (ARIMA) 預測方法是由 G. E. P.Box 和 G. M. Jenkins 於 1970 年所提出。這些技術 (通常稱為 Box-Jenkins 預測方法) 具有下列步驟：
模型識別與選擇
自我迴歸項 (AR)、整合或差分 (I)，以及移動平均項 (MA) 參數的預估
模型檢查
ARIMA 是一種單變量處理程序。資料序列的目前值與同一系列的過去值建立關聯以產生 AR 元件，又稱為 p。隨機誤差項的目前值與過去值建立關聯以產生 MA 元件 q。目前資料與過去資料的平均數和變異數假設是固定的，不隨時間變化。如果有需要，會增加 I 元件 (以 d 表示) 以透過差分修正不足的定態。
在非季節性 ARIMA (p、d、q) 模型中，p 表示 AR 項的數值或階數，d 表示差異的數值或階數，q 表示 MA 項的數值或階數。p、d 和 q 參數是等於或大於 0 的整數。
週期性或季節性的資料值由季節性 ARIMA 模型的格式表示：
SARIMA(p、d、q)(P、D、Q)(t)
括號中的第二組參數是季節性的值。季節性 ARIMA 模型會考量到循環中的期間數。對於年份，期間數 (t) 為 12。
註：
在預測規劃圖表、表格和報表中，季節性 ARIMA 模型不包含 (t) 元件，雖然計算中有使用該元件。
預測規劃 ARIMA 模式不會透過非季節性或季節性差分，配適常數資料集或可轉換至常數資料集的資料集。正因為此特性，所有常數序列，或具有絕對規律性的序列，例如以直線或鋸齒狀呈現的資料，不會傳回 ARIMA 模型配適。
預估 ARIMA 模型係數
對於指定的 ARIMA 模型，「預測規劃」會使用無條件最小平方法來預估模型係數。相較於使用矩陣代數，「預測規劃」反而會使用較簡單的迭代法 (Box, G. E. P.、Jenkins, G.M. 和 Reinsel, G. C. 的 Time Series Analysis: Forecasting and Control 第四版。Hoboken, NJ: John Wiley & Sons. 2008.)。