1，2，…，p——線性方程係數，反映的是曆史觀測值對yt的影響程度。係數是常數項，利用最小二乘法計算
εt——線性方程趨勢預測可能存在的誤差，一般情況誤差來自隨機幹擾
AR模型簡單方便，直接將監測數據擬合成線性關係。在食品安全預警的應用時，有些問題與時間呈單一線性遞增或遞減關係時，AR模型能夠較好的預測。如動物性食品的獸藥殘留量監測，在動物活體中存在的獸藥儲存量，檢測體內含量並按時間構成序列，獸藥儲存量隨時間而遞減，具有線性關係。由此，可以預測當殘留量達到允許值所需要的最少時間。一般來說，隻要動物屠宰前活體的時間少於這個時間長度，則獸藥殘留將超標。如果時間長度超過體內藥物的釋放允許時間，則獸藥殘留達標，動物食品監測為安全。
AR模型對於數據離散較大時，線性關係預測的準確性較低，所以一般作為初級預測方法。
2．移動平均趨勢MA模型
移動平均趨勢線MA又稱為移動均線法，模型建立思想是以t為時間段，對時間序列依次計算t時間段數據，取平均值，並將t時間段的序列平均值作為t+1時間段的預測值。均值主要是減小因隨機幹擾或不同t時間段造成的偏差過大，影響趨勢性。移動是指每一次新的均值作為預測值時，就舍去了之前的較早時間段的曆史均值，具有從t-1向t再向t+1“移動”的特點。
對於食品中常常檢出的限量類汙染物，移動平均線反映了監測的汙染物含量的平均值變化，代表了一段時間內汙染物含量的高低和變化趨勢。雖然曆史的檢測數值會有不同，但是，隻要波動不超過規定的最大殘留限量（MRL），就是安全的。如果跟蹤過程發現數值具有上升趨勢，那麼在沒有超過MRL之前進行預警，就可以有效避免安全問題的產生。實際上，在正常的監測環境下，數值一旦有上升的趨勢，大多是隨機幹擾形成的波動，MA模型就是利用均數變化表現隨機幹擾，通過過去的隨機幹擾均值和現在的隨機幹擾均值的線性組合構成趨勢波動模型，移動平均線稱為趨勢線，對時間序列（如檢測的汙染物）未來時刻進行預測。
移動平均線常根據時間段（分鍾、小時、日、月、年）劃分，記為MA(q)。如5日移動平均線，記為MA(5)，簡稱為5日均線；MA(20)，簡稱為20日均線。對於q時間段的均值隻要求按照時間排序即可，並無需計算均值的數據的數量一樣多[1]。例如某食品為期三天的專項檢查，有可能其中的一天檢測頻度高，得到的數據多，而另一天的檢測數據較少，在作移動平均線時，隻要把每天的均值計算出來，然後用統計處理的方式，將所有的計算均值按時間序列排列，即可連成移動平均趨勢線。由於平均數可以規避離散程度較大的監測數據的影響，而且不要求一定是線性關係，所以，移動平均趨勢線方法簡單方便，使用範圍寬泛，在食品安全預警的預測分析時，適合對安全狀況進行分析預測，也是趨勢預測常選用的模型。
如用算術平均值方法計算平均值，則MA(q)模型簡化為：MA(q)=∑qt=0yt/q（4-30）移動平均線分別有短期均線、中期均線和長期均線之分。短期移動平均線相對而言q小，對應的觀測檢驗數據也少，樣本量也少，因此數據的變化較大，波動明顯，對問題的表現能力較強，但均線對消除過程的隨機幹擾功能相對也弱一些。長期移動平均線模型需要大量的觀測數據，樣本量足夠大，移動平均趨勢的變化比較平穩，對過程噪聲的過濾作用增強，趨勢線的準確性較高。
實際應用移動平均線進行預測時，隻要數據樣本能夠支持，往往將中、短期均線和長期均線組合使用，即同時用多根移動平均線表達一個問題。組合均線中q最小的稱為短期平均線，q最大的稱為長期平均線，q介於二者之間的稱為中期平均線。一般均線組合以三根均線為宜。當長期移動平均線、中期移動平均線、短期移動平均線基本是自下而上分布時，說明同一時刻的長期均值大於中期均值；中期均值大於短期均值，即監測變量的變動趨勢是逐漸下降的。反之，說明監測變量的趨勢是逐漸上升的。如果三條移動平均線相互交叉，則說明監測變量受到的隨機幹擾不規則，均線上升下降波動較大，趨勢不明朗。如檢驗餅幹中放置幹燥劑的保脆效果，對同一種類的n個樣品空間的濕度進行檢測，按30日均線、60日均線、120日均線組合成均線係統。其中，MA(30)=∑30t=0(∑ni=1yit/n)/30，MA(60)=∑60t=0(∑ni=1yit/n)/60，MA(120)=∑120t=0(∑ni=1yit/n)/120。當MA（120）＜MA（60）＜MA（30），說明濕度越來越大，幹燥劑的效果在減弱。如果是汙染物檢測，這種狀況則說明汙染越來越嚴重。在食品汙染物移動平均線趨勢預測研究中，也將組合分為A、B、C三種，A組合是5日、10日、30日，稱為短期均線組合，主要用於1～3個月危害物含量的變化趨勢預測。B組合是30日、60日、120日，稱為中期均線組合，主要用於3～6個月危害物含量的變化趨勢預測。C組合是60日、120日、250日，稱為長期均線組合，主要用於6個月以上的危害物含量變化趨勢預測。[1]