时间序列预测法通过数学公式分析历史数据规律，以预测未来趋势，核心方法包括移动平均、指数平滑和ARIMA模型等。

1. 移动平均法（MA）
   简单移动平均（SMA）公式为：

   $$\hat{y}_{t+1} = \frac{1}{n} \sum_{i=0}^{n-1} y_{t-i}$$

   通过计算近期数据的平均值消除随机波动，适合短期平稳数据预测。

2. 指数平滑法
   一次指数平滑公式为：

   $$\hat{y}_{t+1} = \alpha y_t + (1-\alpha) \hat{y}_t$$

   通过权重系数（α）调整新数据与历史预测的占比，适用于趋势不明显但需快速响应的场景。

3. ARIMA模型
   结合自回归（AR）、差分（I）和移动平均（MA），通用公式为：

   $$\phi(B)(1-B)^d y_t = \theta(B) \epsilon_t$$

   其中B为滞后算子，d为差分阶数，能处理非平稳序列并捕捉复杂时序特征。

时间序列预测公式的选择需结合数据特性与预测目标，实际应用中常需参数调优或组合模型提升精度。