时间序列统计模型是用来描述和预测时间序列数据的数学模型。这些模型通常基于过去的观测值，并假设时间序列的行为是可预测的。以下是一些常见的时间序列统计模型：

1. 自回归移动平均模型（ARMA）：

ARMA 模型是由自回归部分（AR）和移动平均部分（MA）组成的线性模型。ARMA(p, q) 模型包括 p 阶自回归和 q 阶移动平均。

$$[Y_t=c+{\varphi }_1{Y}_{t-1}+{\varphi }_2{Y}_{t-2}+\dots +{\varphi }_p{Y}_{t-p}+{\epsilon }_t-{\theta }_1{\epsilon }_{t-1}-{\theta }_2{\epsilon }_{t-2}-\dots -{\theta }_q{\epsilon }_{t-q}]$$

2. 自回归积分移动平均模型（ARIMA）：

ARIMA 模型是 ARMA 模型的延伸，加入了差分（即积分）的概念。ARIMA(p, d, q) 模型包括 p 阶自回归、d 阶差分和 q 阶移动平均。

$$[(1-{\varphi }_{1}B-{\varphi }_2{B}^2-\dots -{\varphi }_p{B}^p)(1-B{)}^d{Y}_t=c+{\epsilon }_t]$$

其中，$B$ 是差分操作符。

3. 季节性自回归积分移动平均模型（SARIMA）：

SARIMA 模型在 ARIMA 模型的基础上引入了季节性成分，包括季节性自回归、季节性差分和季节性移动平均。

4. 指数平滑方法：

指数平滑方法包括简单指数平滑、二次指数平滑和三次指数平滑等。这些方法适用于对趋势和季节性变化进行平滑和预测。

5. 长短时记忆网络（LSTM）：

LSTM 是一种适用于序列数据的深度学习模型，特别适用于捕捉长期依赖关系。它可以用于时间序列预测任务。

6. Prophet 模型：

Prophet 是由 Facebook 开发的时间序列预测模型，专门设计用于处理具有明显季节性和趋势的时间序列数据。

7. VAR 模型：

VAR（Vector Autoregression）模型是用于多变量时间序列的模型，它将多个时间序列联结在一起建模。

这些模型各有优势和适用场景。选择适当的模型通常取决于时间序列数据的特性，包括是否存在趋势、季节性、周期性、是否需要考虑外生变量等。在实际应用中，可能需要尝试多个模型，并根据性能选择最合适的模型。