Классические регрессионные линейные и нелинейные модели, используемые для прогнозирования многомерных временных рядов, исходят из линейной независимости объясняющих наборов данных (факторов). В случае наличия взаимосвязи между факторами они непригодны. Предлагаемый метод позволяет прогнозировать развитие некоторого экономического фактора (показателя) во взаимосвязи с другими факторами, представленных как в количественных, так и в качественных (порядковых) шкалах. При этом предлагается использовать модифицированный обучающийся генетический алгоритм LGAP (Learning Genetic Algorithm for Prognosis), позволяющий автоматически извлекать закономерности из представленного для прогнозирования набора данных многомерных временных рядов. Abstract. Classical linear and nonlinear regression models used for forecasting multivariate time series are based on the linear independence of sets of explanatory data (factors). In the case of correlation between the factors they are unsuitable. The proposed method makes it possible to predict the development of a certain economic factor (indicator) in conjunction with other factors, presented in both quantitative and qualitative (ordinal) scales. It is proposed to use a modified Learning genetic algorithm for prognosis (LGAP) to automatically extract patterns from the presented data for forecasting a set of multivariate time series.