预测是作决策、规划之前必不可少的重要环节和前提。时间序列预测是预测领域的一个重要研究方向,时间序列预测问题在气象、天文、电力、医学、生物、经济、金融和计算机等各个领域有着广泛的应用。Bayes网,又称信度网或概率网,是Pearl提出的一种基于概率论和图论的不确定知识表示模型。Bayes网在不确定知识表示及推理中表现出的卓越性能,使其获得了广泛的关注,对Bayes网的研究已成为当今人工智能领域研究的热点之一。将Bayes网与时间序列预测相结合,形成一种新的时间序列建模及预测的方法。文章将Bayes网应用于时间序列预测领域,提出了三种新的预测模型:静态Bayes网预测模型,静态N-Bayes网预测模型和分类静态Bayes网预测模型。文章主要探讨的是基于Bayes网的时间序列预测模型。在文章中,首先介绍了Bayes网的相关理论,逐一介绍了Bayes网的基本概念、Bayes网基本原理、Bayes网推理、Bayes网的学习等内容,并以条件概率表的建立为重点。其次,介绍了时间序列预测的相关理论,以自回归求和移动平均模型(ARIMA)为重点详细的讲解了相关的时间序列预测模型和预测方法。再次,在综合运用Bayes网和时间序列预测的相关理论之上,提出并建立了三种新的预测模型:静态Bayes网预测模型,静态N-Bayes网预测模型和分类静态Bayes网预测模型。这三个预测模型是以层层逼近的形式提出的,静态Bayes网预测模型是最简单的模型也是最原始的预测模型,静态N-Bayes网预测模型是在前者的基础之上增加Bayes网的结点数目和网络复杂度,分类静态Bayes网预测模型则是在对数据分类的基础之上利用静态Bayes网预测模型中的Bayes网来进行预测。最后,将三种基于Bayes网的预测模型运用于实验,得出相关的结论。文章总结了前人对Bayes网、时间序列的研究成果,并将这两方面的研究相结合得出了自己的观点和看法,将之付诸于实践,通过实验得出Bayes网络结构能够胜任对时间序列的建模和预测,相信Bayes网络在时间序列领域的应用前景将非常的广阔。