平穩時間序列是時間序列中一類重要的時間序列，對於該時間序列，有一套非常成熟的平穩序列建模方法，這也是本節中將重點介紹的部分。對於非平穩序列，可以通過差分、提取確定性成分等方法，將轉化成平穩序列，再運用平穩序列建模方法進行建模。
在實際操作中，由於樣本數據的匱乏，要根據樣本數據要找到生成樣本的真實隨機過程基本是不太可能的。理論研究表明，任意平穩時間序列都可以由ARMA過程（包括AR過程、MA過程和混合過程）近似表示，並且通過ARMA模型可以對序列作出比較精確的預測。
Box-Jenkins建模方法是關於如何分析平穩時間序列、建立ARMA模型以及進行預測的方法，它也是目前比較流行的一種建模方法，建模過程基本可以分為三步，如下：
模型識別：考察時間序列特徵，進行模型識別，辨識出有價值且參數簡約的模型子類，如AR（3）、ARMA（2,2）等。
參數估計和診斷檢驗：對已辨識出的模型子類進行數據擬合和參數估計，在恰當的條件下，有效地運用樣本數據對模型參數進行推斷和估計，並對模型進行診斷檢驗，通過檢驗擬合模型與數據的關係來揭示模型的不當之處，從而對模型進行改進。模型識別、參數估計和診斷檢驗是不斷循環和改進的過程，通過該過程來找到合適的模型表達式。
預測：利用擬合好的時間序列模型來推斷序列其他的統計性質或預測序列將來的發展。
通常要求，用來建模的觀測值的個數至少有50個，最好是100個或更多。當無法獲得50個或者更多的歷史觀測時，例如進行某種新產品的需求預測時，可以使用經驗或者類似產品的歷史需求信息得到一個初始模型；當獲得更多的數據時，這個模型可以隨時被更新。
在進行建模時，應使用包含儘可能少的參數的模型，以獲得數學上的充分表達。這就是參數使用的簡約性原則，該原則在實際應用中是非常重要的。如果模型不恰當，或參數使用冗餘，將會使預測出現嚴重問題。因此，在模型選擇時，謹慎和反覆試探是非常必要的，這也是一個不斷改進、修正錯誤和試驗的過程。
廣義的Box-Jenkins建模方法也可以建立帶趨勢和季節因素的時間序列，並且可以根據需要在模型中添加其他輸入變量。