时间序列模型是一种广泛应用于预测和分析时间相关数据的统计模型。下面是一些经典的时间序列模型案例：

ARIMA模型：ARIMA（Autoregressive Integrated Moving Average）模型是一种常用的时间序列模型，可以用于分析和预测具有自回归和移动平均性质的数据。例如，用ARIMA模型可以预测股票价格、气温变化等时间相关的数据。

LSTM模型：LSTM（Long Short-Term Memory）模型是一种递归神经网络，常用于处理具有长期依赖关系的时间序列数据，例如自然语言处理、语音识别、图像识别等。例如，可以使用LSTM模型预测股票价格、交通流量等数据。

Prophet模型：Prophet是Facebook开发的时间序列预测工具，能够自动适应非线性趋势和季节性的影响。例如，可以使用Prophet模型预测销售额、网络流量等时间序列数据。

VAR模型：VAR（Vector Autoregression）模型是一种多变量时间序列模型，可以用于分析和预测多个时间序列之间的相互关系。例如，可以使用VAR模型分析宏观经济变量之间的相互关系，例如GDP、通货膨胀率、利率等。

这些时间序列模型都具有不同的优缺点和适用范围，需要根据实际情况选择合适的模型进行分析和预测。