多因素时间序列预测是数据挖掘的一个重要研究内容，描述预测指标与影响因素之间存在的潜在关系，被广泛应用于许多领域。经典的预测方法在用于非线性系统预测时有一定的困难，而RBF神经网络具有较好的非线性特性，特别适用于高度非线性系统的处理，为多因素时间序列预测开辟了新的发展空间。本文对基于RBF神经网络的预测模型进行了深入的研究，并详细研究了对网络输入空间的降维重构。论文主要内容如下： 采用RBF神经网络进行建模训练，并将结果与BP网络比较，仿真实验表明RBF网络的训练速度比BP网络显著加快，具有较好的泛化能力，能有效地应用于多因素时间序列预测。 将灰色关联分析(GRA)引入预处理过程，以消除与预测指标关联度相对小的影响因素，提出了基于GRA的RBF神经网络预测模型的约简，简化了网络结构，提高了预测精度。 针对多因素时间序列各因素之间存在相关性，导致信息重叠的缺点，提出了基于PCA的RBF神经网络预测模型的约简。文中利用PCA方法对原有指标体系进行处理，提取主成分构成新的指标作为RBF神经网络的输入，优化了网络结构，提高了网络的泛化能力。 将上述两种约简方法相结合，提出了基于GRA-PCA的RBF神经网络预测模型的约简，减少了采集样本数目，提高了建模效率和预测精度。