在Python中，自动建立时间序列模型通常涉及以下步骤：
1. 数据预处理：
加载数据集。
将日期列转换为`datetime`类型。
将日期列设置为索引。
2. 模型选择：
根据数据的平稳性选择合适的模型，如AR、MA、ARMA或ARIMA。
3. 模型建立：
使用相应的Python库（如`statsmodels`）来建立模型。
进行平稳性检验，如ADF检验。
根据ACF和PACF图确定模型参数p和q。
4. 模型训练：
使用训练数据拟合模型。
5. 模型评估：
进行模型检验，如白噪声检验。
参数估计和显著性检验。
6. 模型预测：
使用训练好的模型进行未来值的预测。
下面是一个使用`statsmodels`库建立ARIMA模型的示例代码：
```python
import pandas as pd
import numpy as np
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
import matplotlib.pyplot as plt
加载数据
data = pd.read_csv（'data.csv'）
data['date'] = pd.to_datetime（data['date']）
data.set_index（'date', inplace=True）
绘制时序图
data.plot（）
plt.show（）
进行平稳性检验
result = adfuller（data['target']）
print（'ADF Statistic: %f' % result）
print（'p-value: %f' % result）
绘制ACF和PACF图以确定参数p和q
plot_acf（data['target']）
plot_pacf（data['target']）
plt.show（）
建立ARIMA模型
假设根据ACF和PACF图确定p=2, d=1, q=1
model = ARIMA（data['target'], order=（2, 1, 1））
model_fit = model.fit（）
模型预测
predictions = model_fit.predict（start=pd.to_datetime（'2023-01-01'）, end=pd.to_datetime（'2023-12-31'））
predictions.plot（）
plt.show（）
请注意，上述代码仅为示例，实际使用时需要根据具体的数据集调整模型参数和进行相应的检验。