Như DSaxton lưu ý , "phân tích chuỗi thời gian" không phải là thuật toán hay phương pháp dự báo. Đó là một lĩnh vực nghiên cứu . Ngoài ra, phần lớn phân tích chuỗi thời gian thậm chí không liên quan đến dự báo, mà chỉ với việc hiểu được động lực trong quá khứ của chuỗi thời gian (ví dụ: phát hiện điểm thay đổi).
Các kỹ thuật phân tích chuỗi thời gian cụ thể phù hợp để dự báo , như mô hình ARIMA hoặc Làm mịn theo cấp số nhân, chắc chắn có thể được gọi là "thuật toán học tập" và được coi là một phần của học máy (ML) giống như đối với hồi quy. Họ chỉ đơn giản là hiếm khi.
Tôi nói điều này phản ánh rằng phân tích chuỗi thời gian đã được thiết lập rất tốt và phát triển ngôn ngữ của riêng nó vào thời điểm ML xuất hiện, do đó, rất ít nhà phân tích chuỗi thời gian sẽ nghĩ về những gì họ đang làm khi học máy (giống như ít nhà thống kê sẽ nghĩ hồi quy dưới dạng ML - đó là cộng đồng ML phân loại các phương thức đã được thiết lập theo danh pháp ML).
Ngược lại, cộng đồng ML thực sự không làm được gì nhiều với chuỗi thời gian và các thuật toán ML "cổ điển" như mạng thần kinh thực sự không thành công quá mức theo nghĩa rõ ràng vượt trội so với thuật toán chuỗi thời gian cổ điển để dự báo. Nếu bạn mô hình hóa động lực thời gian của mình theo thuật toán ML, thì bạn đã khá gần với mô hình ARIMA, nhưng nếu bạn không, bạn thực sự bỏ lỡ rất nhiều cấu trúc có thể giúp dự báo.