Алгоритм ZET-P работает с таблицами типа "время-свойство", m строк в которой отражают значение n  свойств  (n  =  1,2,...,j,...n) некоторого объекта или процесса в последовательные моменты  времени  t (t = 1,2,...,i,...m). Обозначим строки таблицы символами ai, а столбцы - символами xj. Эту таблицу можно переформировать,  объединив  в  одну строку k соседних по  времени  строк.  В  первой  строке  такой  новой таблицы будут отражены данные за k первых моментов времени, т.е строки a1, a2,...ak-1, ak исходной таблицы.  Во  вторую  строку  новой  таблицы поместим k строк, начинающихся с момента времени  a2,  в  третью  -  с момента времени a3 и т.д. В результате будет получена  таблица  такого вида: 
      a1,   a2,.....,a(k-1),   ak 
      a2,   a3,.....,ak,       a(k+1) 
      ........................................ 
      a(m-k+1),...,a(m-1), am 
      a(m-k+2),┘,am,     a(m+1) 
    Если строка ai  соответствовала,  например,  свойствам  объекта  в i-тый год,  то  каждая  строка  новой  таблицы  будет  соответствовать периоду в k лет. 
    Все элементы этой  таблицы  известны, кроме  элементов  последнего сегмента a(m+1), в котором  должны  быть  отражены  свойства  изучаемого объекта или процесса в момент  времени m+1,  следующий  за  последним моментом из отраженных в протоколе наблюдения.  
    Если каждую пустую j-тую клеточку  последнего  сегмента  заполнить алгоритмом ZET, то будет получен прогноз свойств xj в момент времени t = m+1. 
    В [1] описано несколько вариантов  этого  алгоритма  для  исходных таблиц   разного   характера.   Есть   вариант    (алгоритм    ZETMC), ориентированный на таблицы с фиксированным порядком следования свойств xj.  Примером  такой  таблицы   может   служить   сводка   ежемесячных показателей деятельности предприятия за m  лет.  Здесь  роль  свойств играют показатели в j-тые месяцы, а i-я строка -  это  данные  за  i-й год. 
    Начало годового цикла - вещь  условная,  цикл  можно  начинать  с  любого месяца. Пусть таблица содержит данные за  период  с  1970  по 1995 годы. Возьмем первый столбец (данные за  январи)  и  поставим  его за последним столбцом (за декабрями). Если его сдвинуть на одну строку вверх, то в первой строке  окажутся  данные  за  год,  начинающийся  в феврале 1970 года и заканчивающийся в январе  1971  года.  В последней строке  будет  цикл,  который  начинается  в  феврале  1995   года   и заканчивается январем 1996  года.  Данные  за  январь  1996  года  нам неизвестны и эту  пустую  клеточку  таблицы  мы  заполняем  с  помощью алгоритма ZET. 
    Затем мы можем перенести с первой позиции на последнюю  столбец  с данными  за  феврали.  Годовые  циклы   будут   начинаться   с   марта текущего года и заканчиваться  в  феврале  следующего  года.  Заполнив новую пустую клеточку мы  предскажем  отсутствующее  значение  февраля 1996 года. Эту процедуру  поочередного  переноса  первых  столбцов  на последнее место и  прогнозирования  очередного  неизвестного  значения можно продолжать сколь угодно долго.  
    Однако ясно, что с удалением прогнозируемого  момента  времени  от момента последнего наблюдения точность прогноза будет  падать,  причем скорость нарастания ошибок зависит от характера наблюдаемого  процесса и заранее предсказана быть не может.  Для  каждой  конкретной  таблицы рекомендуется метод ретроспективного  анализа:  на  прошлом  материале делаются прогнозы известных данных и  фиксируется  зависимость  ошибок прогноза от  длительности  периодов  упреждения.  В  результате  можно предположительно говорить об ожидаемой ошибке  прогноза  при  заданном периоде упреждения или о максимальном периоде упреждения при  заданной допустимой величине ошибки прогноза.  
    Возможен и другой подход - оценивать ожидаемую ошибку по дисперсии подсказок, получаемых  в  процессе  работы  алгоритма   ZET.