在工程学科，特别是控制学科，以及经济学科有着广泛应用，并从最初的单变量、平稳、线性时间序列预测分析逐步拓展到多变量、非平稳、非线性时间序列预测分析。

状态空间方法的最初概念出现在20世纪60年代美国学者R.E.卡尔曼 两篇研究论文之中。基于卡尔曼的工作，状态空间分析方法沿着工程学科和统计学科两个方向进行发展。随后，E.J.汉南和M.迪斯特勒提出了统一两个学科研究的表示框架。英国学者J.德宾和德国学者S.J.库普曼在2001年所著的《基于状态空间方法的时间序列分析》一书中对状态空间分析方法进行了系统描述。

通常，时间序列分析法主要基于观察变量序列本身在时间尺度上进行函数关系描述。从预测建模的角度讲，其预测函数的输入变量和输出变量都是观察变量本身。而状态空间时间序列预测方法的不同之处在于引入了状态变量序列，通过刻画观察变量序列和状态变量序列之间的函数依赖关系，从而实现对观察变量的基于时间标度的建模以及预测应用。这种做法的精妙之处在于，当很难刻画观察变量序列本身规律与模式时，通过引入已知的或者其规律与模式（如运用卡尔曼滤波方法）容易探究的状态变量序列，从而将对观察变量序列的规律与模式的建模转化为对观察变量序列与状态变量序列之间函数依赖关系的建模。以平稳的线性系统为例，常用的状态空间分析模型表示如下：

式中为观察变量；为状态变量；为服从正态分布的随机误差；为服从正态分布的随机误差。对于的预测值可以通过估计得到，而估计可以通过基于卡尔曼滤波方法得到。状态空间方法并不强调状态变量具有平稳、线性等特征，因而可以较容易地推广到到状态变量为非平稳、非线性的情况，观察变量和状态变量可推广为向量形式，因此状态空间预测法可以应用于多变量、非平稳、非线性时间序列预测分析，从而拓展了其预测应用的领域。

实施状态空间预测法一般包括表示和计算步骤。根据预测问题（对象）的不同，选择合适的观察变量与状态变量表示方程或方程组。例如，在结构时间序列建模预测问题中，计算步骤一般遵循基于卡尔曼滤波方法进行，包括初始状态设定、参数估计等。随着状态空间方法得到广泛应用，许多新参数估计方法被提出，丰富了状态空间预测法的应用场景。

由于时间序列数据广泛存在于工程技术、自然科学和社会科学等领域，并且状态空间预测法可以用于平稳或非平稳、线性或非线性、一维或多维变量的时间序列数据的表示与建模，因此状态空间预测法得到了广泛应用。