时间序列预测在生活和工农业生产中扮演着越来越重要的角色，它的应用遍及很多领域，极大地推动了各个领域的发展。支持向量机(SVM)是基于统计学习理论的方法，由于其具有全局最优、泛化能力强的优点，被应用到很多领域。　　 目前使用SVM进行时间序列预测大部分采用单一变量进行预测，然而仅由单一变量建立的预测模型并不能很好地刻画时间序列的变化趋势。针对这一问题，文章提出多变量的时间序列预测方法，来提高预测精度。主要引入贝叶斯网进行数据的分析以选择多变量。通过贝叶斯网结构学习生成贝叶斯网模型，然后根据该模型选择预测变量的相关变量集，进行训练。这种方法可以有效地考虑变量之间的相互影响作用，提高预测精度。　　 支持向量机的参数选择优劣决定其泛化能力，如何选择最佳的参数组合使得支持向量机的训练模型更优是当前的一个研究热点。本文设计了并行K折交叉验证算法(PCV algorithm)。该算法基于MPI编程模型，克服了传统K折交叉验证方法在数据量很大的情况下效率低下的缺点。算法在保证了参数优化选择能力的前提下，极大地提高了算法的时间效率。　　 文章讨论对比了几种基本核函数，重点对比了多项式核函数和高斯径向基核函数。在此基础上，提出了组合核函数方法，并做了实验对比和分析。　　 最后，应用基于BBN-SVM的多变量时间序列预测算法和PCV算法对气象时间序列和股市时间序列进行预测，并对实验结果进行分析。实验结果表明，该算法将预测平均误差控制到10％以内，具有更好的泛化能力，并行K折交叉验证方法在保证了参数选择优化能力的前提下，将运行时间降为传统K折交叉验证方法的1/p。