随着计算技术和性能的发展,贝叶斯统计推断得到越来越广泛的关注。其已经成功应用到社会经济、公共服务建设等领域,作为预测和分析的研究工具。本研究致力于研究时间序列数据中的贝叶斯分析方法,并依托于实际问题,从时间序列数据中挖掘有用信息,建立贝叶斯统计模型,从而进行预测。主要内容如下:第一,在公共卫生领域,对食源性疾病中的延迟就诊问题,建立贝叶斯统计模型,对每天真实发病数进行实时预测。其中,用负二项分布拟合每天真实发病人数,用广义狄利克雷分布的共轭先验拟合时齐性假设下的(病人)延迟就诊分布的右截断特征,最后,通过概率排名得分(ranking probability score)等评价准则进行模型评估。从结果上看,所建立的基于延迟调整的贝叶斯层次模型能通过预测疾病的每日真实患病量,提供关于疾病趋势的每日最新信息,缩短了预测周期,提高了预测时效性和精度。第二,在通信领域,对无线网络基站中的流量问题,建立贝叶斯流量模型,进行流量和用户量的实时预测。其中,我们对具有短期稳定性的用户行为特征建立带有一阶自回归的泊松回归模型,对用户行为和流量负载之间的互动关系建立非齐性的线性模型。实验结果表明,我们提出的贝叶斯流量模型可以有效地捕捉这些特征,不仅具有更高的预测精度,而且具有更高的可解释性和更高效的计算性能。此外,我们进一步将贝叶斯流量模型估计的参数,作为K-means聚类算法的特征输入,通过计算各基站在参数空间上的欧式距离来揭示基站之间隐藏的空间关系,将具有高度相似性的基站聚集到同一类别中;最后,将聚类的结果与真实场景标签进行分析,场景识别的准确率为75%。