Il nodo Serie temporali può essere utilizzato con i dati in un ambiente locale o distribuito. Utilizzando questo nodo, è possibile scegliere di stimare e creare modelli di livellamento esponenziale, ARIMA (Autoregressive Integrated Moving Average) univariati o ARIMA multivariati (o funzioni di trasferimento) per le serie temporali e produrre stime in base ai dati delle serie temporali.
Il livellamento esponenziale è un metodo di previsione che utilizza i valori ponderati delle osservazioni di serie precedenti per prevedere i valori futuri. In senso stretto, il livellamento esponenziale non si basa su un'analisi teorica dei dati, La previsione viene eseguita un punto alla volta e viene modificata man mano che vengono aggiunti nuovi dati. Questa tecnica è utile per la previsione di serie che evidenziano tendenze, stagionalità o entrambe le caratteristiche. È possibile scegliere tra diversi modelli di livellamento esponenziale che differiscono tra loro per il trattamento della tendenza e della stagionalità.
I modelli ARIMA forniscono metodi più sofisticato per la modellazione dei componenti di tendenza e di stagionalità rispetto ai modelli di livellamento esponenziale e, in particolare, offrono in più il vantaggio di includere nel modello variabili (predittore) indipendenti. Ciò comporta l'indicazione esplicita di ordini autoregressivi e di media mobile, nonché del grado di differenziazione. È possibile includere variabili predittore e definire funzioni di trasferimento per tutte o alcune di esse e specificare il rilevamento automatico dei valori anomali o di un insieme specifico di valori anomali.
È inoltre disponibile la funzione Expert Modeler, che prova ad identificare e stimare automaticamente il modello ARIMA o di livellamento esponenziale più adatto per una o più variabili obiettivo, eliminando la necessità di identificare un modello appropriato procedendo per tentativi. In caso di dubbio, utilizzare l'opzione Expert Modeler.
Se sono specificate variabili predittore, Expert Modeler seleziona le variabili che hanno una relazione statisticamente significativa con le serie dipendenti per l'inclusione nei modelli ARIMA. Laddove è opportuno, le variabili del modello vengono trasformate tramite la differenziazione e/o una trasformazione a radice quadrata o logaritmica naturale. Per impostazione predefinita, Expert Modeler considera tutti i modelli ARIMA e di livellamento esponenziale e sceglie quello migliore per ogni campo obiettivo. È possibile tuttavia impostare Expert Modeler in modo che scelga solo il modello di livellamento esponenziale migliore o il modello ARIMA migliore. È inoltre possibile specificare il rilevamento automatico dei valori anomali.