时间序列是一种广泛存在人类社会活动与客观世界中的数据形式,时间序列预测因为其提供的各类预测结果能为人类活动中各项决策提供重要依据而一直深受各领域工作者的重视。云模型因其特有将随机性与模糊性结合的理论优势,自提出以来,也一直是各界研究者探究应用的热点。因此,本文探讨云模型在时间序列预测中的应用与研究,意义重大。　　文章首先对云模型的基础理论知识进行总结和梳理,对现有的云理论知识进行详细汇总,并给出作者的观点与解释。在此基础上对现有各种逆向云算法进行归纳对比,并提出一种融合其它算法之优势的新的逆向云算法,通过仿真实验发现该算法相比其它算法具有较强的精度效果和鲁棒性。随后在分析现有云模型间的相似度量方法及模糊理论的基础上,提出两种新的基于同类概念云模型间贴近度的相似度量算法:最大最小贴近度(MMCM)算法和算术平均最小贴近度(AMMCM)算法。算法形式简单,特别在云滴极少的情况下仍能保持良好的精度效果。本文除对新方法的算法做了详细介绍之外,还针对新方法与其它算法给出了仿真实验的比较分析结果,最后针对具体的影评数据进行应用。实验结果表明,本文所提算法在算法精度和算法消耗上有明显优化,且在解决云模型的分类问题时具有较好的可行性和有效性。　　在基于云模型的时间序列应用研究层面,本文主要就其中一种预测机制进行研究,并在此基础上对其中部分算法进行改进优化或是提供另一种思路方法。首先本文改进了基于峰值的云变换算法中的云模型数字特征熵的求解算法。随后在概念跃升算法中云模型的合并过程中,就合并条件本文提出另一条合并条件,并引入一种基于云模型的概念层次划分评价算法。最后,通过实证分析,采用了近年成都市的日最高、最低气温数据,就本文所提的基于云模型的时间序列预测技术做预测分析,并将最后结果同传统的时间序列分析中的AR模型的预测结果进行比较,给出分析评价。