时间序列是指将系统观测数值按发生的时间顺序排列而成的序列数据。时间序列研究可根据已有的历史数据,建立序列模型预测未来一段时间内的发展趋势,具有广泛的应用场景。现实世界存在的很多现象可以通过序列数值进行描述,因此基于时间序列的建模及应用研究引起越来越多研究者的关注。但真实场景中数据的模糊性和不完备性增加了时间序列模型构建工作的难度。为了解决上述建模过程的不确定性问题,模糊集等理论近年来被引入时间序列研究中并取得快速发展。在现有研究工作基础上,本文基于模糊认知图理论提出了几类新型的时间序列预测模型,主要工作如下:(1)提出了一种基于动态模糊认知图的时间序列预测模型。在缺少专家经验的情况下,从原始序列数据中聚类信息粒建模,并使用线性递减权重策略的粒子群算法进行优化。所构建模型的结构和权重可以根据动态数据进行在线调整,适应时间序列的变动,提高预测精度。(2)提出了一种基于直觉模糊认知图的时间序列预测模型。考虑到序列数据的不确定性,将犹豫度引入建模过程,采用直觉模糊认知图用于时间序列的预测。该算法直接从时间序列数据中构造模型的概念结构,并利用智能算法得到相应的权重矩阵。在传统直觉模糊集建模过程中,犹豫度通常由领域专家设定。为了避免人为主观影响,将Femi公式与动态隶属度相结合,提出自适应的直觉模糊集犹豫度计算方法。(3)将静态直觉模糊认知图进行拓展,提出了一种面向时间序列数据的在线动态建模算法,结合概念漂移检测算法,通过在线学习方案自适应地更新模型的结构,捕获序列数据的实时变化,从而有效地提高了概念漂移数据流的预测精度。(4)将粒度认知图和直觉模糊认知图进行结合,构建粒度直觉模糊认知图。在避免人为主观因素局限性的基础上,进一步减轻时间序列的不稳定性和非线性对预测结果产生的影响。为尽可能覆盖结果,把数值型权重矩阵扩充为粒度权重矩阵,推理后得到的响应为粒度区间,实验验证了算法的有效性。