不确定性知识表示模型是处理数据不确定性的有效手段,是目前时序数据预测的研究热点。但是,大多数不确定性知识表示模型集中于对数据涵盖范围和界限进行不确定性表示,而缺乏对由于数据认知有限而导致的不确定性处理。集中体现于以下几个方面:(1)对取值不确定的时序数据的知识表示和预测仍需进一步加强;(2)目前基于知识表示的预测算法研究还停留在理论阶段,需进一步对其应用领域进行探索。针对上述问题,本文采用灰色理论对取值不确定的时序数据进行知识表示,且分别对基于灰色理论的知识表示及预测模型和预测模型应用领域进行了探索和研究。主要研究工作如下:1.构建了一种优化的基于连续灰数知识表示的预测模型。针对现有连续灰数知识表示预测模型的白化过程中存在不确定性,本文利用核和信息扩散度作为序列发展因子,避免白化过程,并利用发展因子直接构建灰色多变量预测模型,从系统的角度把握数据发展趋势,反映出序列发展因子之间相互作用、相互影响关系。2.构建了一种基于元素不齐的离散灰数知识表示预测模型(MS-DGM)。传统的离散灰数知识表示预测模型,直接提取核和灰单元格面积序列作为序列发展因子。然而,当元素不齐时,传统方法无法提取出灰单元格面积序列。针对此问题,本文利用Grubbs算法对缺失值或异常值进行筛选和标记,并利用临近均值对缺失值或异常值进行填充,扩宽了模型的应用领域。3.基于MS-DGM模型的应用解决方案。本文以无线传感器网络数据融合入手,利用离散灰数能对传感器数据之间的时空相关性进行表示这一特性,首先引入离散灰数对多传感器的时空相关性进行表示;然后利用Grubbs对异常值或缺失值进行检测标记,减少干扰数据对预测模型的影响;接着利用临近均值对异常值或缺失值进行填充,提取序列发展因子;最后利用序列发展因子分别构建灰色离散单变量预测模型,用于对下一时刻的数据进行预测。