时间序列分析方法在金融、工业、气象等领域都有不错的应用,时间序列分析方法可以通过对有限的样本进行概率论方法的分析,建立具有一定精度的模型。时间序列分析方法在实际应用中可操作性强。月平均温时间序列是一类特殊的时间序列,受太阳辐射、季风性气候等因素的影响,月平均温度数据呈现出明显的季节性变化,对其的研究有助于揭示太阳辐射等因素对近地面温度的影响,对全国的各站的月平均温度预测有重要意义。本文将探讨SARIMA模型对月平均温度数据进行分析,解释数据的特征并用来预测。我们将首先在绪言中,介绍我国天气预报技术的研究现状和发展,着重介绍了影响长期天气过程的物理因子和长期天气预报的一般方法,以及本论文的研究内容、特色和创新。在第二章中,对时间序列分析方法进行了介绍,详细介绍了Box-Jenkins建模方案。在第三章中,首先对进行邢台1954-2009年月平均温度序列SARIMA建模,然后考虑到近几年来出现的全球变暖现象,依据年平均温度距平图的分析结果,选择邢台1992-2009年月平均温度序列再次进行建模,并对SARIMA模型的应用范围进行扩展。最后,通过多元回归分析方法,从地面观测月统计资料中,选取八项数据作为自变量引入到SARIMA建模中,自变量的引入,有效的提高了月平均温度的预测准确率。在第四章中,尝试使用BP神经网络和SARIMA模型的组合模型,用BP神经网络来研究天气系统的变化趋势,与SARIMA模型做组合预测,以揭示天气系统变化对月平均温度的影响。我们的研究展示了SARIMA模型在月平均温度时间序列中的重要应用,对其他台站的月平均温度数据的分析和预报有很大的参考价值。