A= T+ C + S + R دومین مدل عبارت از مدلی است که در آن مقدار مشاهده شده سری زمانی معادل حاصلضرب اجزاء تشکیل دهنده آن تلقی می‌شود: A= T× C × S × R 3-7-4-مدل پیش بینی هلت وینترز این روش یکی از روش های نموهموار است و با بهره گرفتن از این مدل به پیش بینی مقادیر بعدی در سری­هایی که تغییرات فصلی و روند دارند پرداخته می شود. مدل هلت وینترز در دو شرایط مجزا توسعه پذیر است، یعنی هم دارای یک مدل مجزا برای پیش بینی در سری­هایی است که تغییرات غیر فصلی دارند و هم توسعه پذیر به سری­هایی است که تغییرات فصلی دارند.(آذر و مومنی، 1389) اگر مقدار مشاهده شده برای سری زمانی در زمان t را با  نشان دهیم، می توان گفت که  بیانگر مقدار پیش بینی آن خواهد بود. بنابراین روند برآورد شده را با  معرفی می کنیم. اصل اساسی برای برآورد این دو مقدار  و  به صورت زیر است:                   0 <A< 1                       0 <B< 1 در معادلات فوق A و B ضرایب هموارسازی هستند که مقادیر آنها همواره بین 0 و 1 خواهد بود. در معادلات بالا علاوه بر مقادیر A و B به مقدار واقعی سری زمانی در زمان t، مقدار پیش بینی در زمان t-1، مقدار پیش بینی در زمان t و مقدار روند در زمان   نیاز داریم. مراحل استفاده از مدل هلت وینترز در سری­های غیر فصلی به شرح زیر است (1983(Abraham, etal., الف) برآوردهای  و  به صورت زیر به دست می آید:          0 <A< 1, t=3, 4,…, n        0 <B< 1, t=3, 4,…, n ب) با رسیدن به زمان n مقادیر مورد نیاز آینده  به صورت زیر پیش ­بینی می­شود. 3-7-5-میانگین مجذور خطاها برای بررسی یک مدل پیش بینی و یا انتخاب بهترین مدل از بین مدل­های مختلف نیاز به شاخصی داریم که به کمک آن بتوان تصمیم لازم را درخصوص قبول یا رد مدل پیش بینی اتخاذ نمود. به طور کلی هرچه مقدار واقعی  به مقدار پیش بینی شده آن  نزدیک­تر باشد، بر صحتبیشتر مدل پیش بین دلالت دارد. بنابراین کیفیت یک مدل با بررسی میزان خطای پیش بینی ) قابل ارزیابی است در این راستا چهار شاخص عمومی را می توان به شرح زیر معرفی نمود.