通过图形来表征数据。通过图形，将数据的特征可视化，包括模式，异常的观测值，随着时间的变化特征，变量间的关系。这种图形化的方法要尽量与其他的预测方法相结合。数据的种类决定了预测时使用的方法，同时也决定了合适的图表技术。
时间图
对于时间序列数据，时间图显然是个合适的分析起点。连续的观测值依照时间顺序，用直线连接。下面的图，反映的是Ansett Airlines统计的在澳大利亚两最大城市间的周经济舱乘客数量。
从图中可以得到以下几点：
在1989年的一段时期，没有乘客-----这主要归因于一次产业纠纷。
在1992年，数量有一段减少期。那时正值进行部分经济舱座位更改为商务舱座位的试验。
1991年的下半年，乘客数量大幅增长。
每年开始，都有数量上的大幅减小。主要是受假期影响。
在序列中存在着较长时期的波动，1987年增长，1989年下降，而在1990到1991间又出现增长。
存在一些缺失观测值的时期。
任何模型都需要考虑这些特点（因素），以便更高效的预测未来乘客流量。
下图是个更简单的时间序列图（澳大利亚抗糖药病药物的月销量）。
在图中，有着清晰的增长趋势。同时，在增长的同时，有着较为明显的季节性模式。每年年末，都会有一个突降点，主要归因于每年底的政府补贴计划，使得患者(提前)囤积药物。任何对这个序列的预测，都要考虑到季节性模式，同时，这种趋势本身变化的很缓慢。
时间序列模式
我们使用类似趋势（trend），季节性（seasonal）这样的词，来描述时间序列：
趋势，是数据中很长时期的增长或下降。
例如，上图抗糖药病药物中的增长趋势
季节性模式，当这个时间序列受到季节性因素的影响，例如一年中的某个时间点，一周中的某天。
周期，存在于数据中非固定长度时间的波动。这些波动归因于经济环境，常与“商业周期”有关。从上面关于经济舱乘客的数据中，一些波动是由于周期性因素。
有一点需要特别说明的是，周期性模式（cyclic patterns）和季节性模式（seasonal patterns）的区别。季节性模式有着固定和已知的长度（例如，某个模式对应的时间长度），而周期性模式的长度是可变和未知的。一个周期性的平均长度通常长于季节性的长度，同时，具有更大的变动峰值。
许多时间序列，同时包含趋势，周期和季节性。当选择一个预测方法时，我们首先要去识别出数据中的序列模式，然后选择合适的方式去捕获相应模式。
