在信息术飞速发展的时代,各个行业对数据处理的需求已成为当下最火热的话题之一。在迎接大数据时代到来的同时,如何处理各个领域的数据便是面临的主要问题之一。数据的形式是多种多样的,最常见的便是以时间为索引的时间序列。对时间序列的相关理论基础进行了研究,包括时间序列的基本原理,常用模型等。本文主要对时间序列模型ARIMA(Autoregressive Integrated Moving Average Model)进行重点介绍,并在原有模型基础上加入自动化的平稳性检测及不平稳数据处理过程,阐述了对不平稳数据处理的差分过程及差分还原过程的原理。还加入了基于信息准则的定阶过程,对ARIMA模型进行部分改进,使之能够适应自动处理时间序列的需求。对异常检测的应用场景与前景及其相关技术进行了调查,介绍了异常值处理的基本步骤和方法。同时报告了GWAC项目现状与其科学目标,交代数据的来源和对数据集的介绍。在模型选择上重点陈述选择ARIMA模型的考量,对模型的优势及不足一一进行列举,同时与其他时间序列模型进行对比,尤其是当下比较热门的机器学习和深度学习方法。重点叙述在选择模型过程中基于项目需求的考虑选择的原因。针对时间序列的预测问题进行研究,并将此模型应用到天文领域中,使其在具体背景与实际应用中发挥作用。在模型确定后使用GWAC(Ground-based WideAngle Camera array)地基广角相机阵提供的大量亮度数据对星体的亮度进行分析,并对GWAC提供的数据光变曲线进行分析预测,使得在应用此模型时会对特殊天文现象发生时引起亮度异常进行预警。在此基础上通过加入模拟生成的正弦函数,直线函数、对数函数以及突变情况的异常,对模型的预测报警情况进行分析。