绘制了自相关函数ACF和偏自相关函数PACF的图表这些图表可以帮助我们确定ARIMA模型的参数。

自相关函数（ACF）和偏自相关函数（PACF）是分析时间序列数据的重要工具，可以用于确定ARIMA模型的参数。

ACF是一个度量时间序列与其自身滞后版本之间相关性的函数。它表示了一个滞后版本与当前版本之间的相关性程度。绘制ACF图表可以帮助我们确定AR模型的参数。

PACF是一个度量时间序列与其自身滞后版本之间相关性的函数，同时控制其他滞后版本的影响。绘制PACF图表可以帮助我们确定MA模型的参数。

在绘制ACF和PACF图表时，一般使用线性相关性和置信区间来表示相关性的强度。相关性的强度可以通过观察ACF和PACF图表中的线性相关性的长度来确定。线性相关性越长，表示相关性越强。

根据ACF和PACF图表的线性相关性和相关性的强度，我们可以选择合适的ARIMA模型的参数，包括AR、MA和差分阶数。例如，如果ACF图表中线性相关性在滞后版本1处截尾，而PACF图表中线性相关性在滞后版本1处截尾，那么我们可以选择ARIMA(1,0,1)模型。

总之，绘制ACF和PACF图表是确定ARIMA模型参数的重要步骤，可以帮助我们理解时间序列数据的相关性，并选择合适的参数来构建模型。