智能优化预测是以人工智能与预测科学为基础,对数据进行分析与处理,并通过人工智能选择合适的模型及参数解决实际问题。有些时间序列与自身过去的状态有很大的关联,而有些时间序列与某些变量有一定的关联。针对时间序列输入数据的维数,本研究主要从单变量和多变量时间序列预测两个方面考虑。此外,预测模型中的参数估计也是备受广大学者们的关注。传统的参数估计方法有时不能产生令人满意的预测效果,而人工智能优化算法:微分进化算法、分组蚁群算法及布谷鸟算法,具有全局高效的优化性能、通用性强、鲁棒性等优点,通过使目标函数达到全局最优来确定模型的参数值。本研究首先分析三种人工智能优化算法的Markov链的状态性质,从概率的角度上证明它们的收敛性,然后提出了三类预测模型:(1)单变量灰色模型,包括简单灰色模型、滑动平均灰色模型及非线性伯努利灰色模型,它们具有模型参数少、所需数据量小、可操作性强、快速衰减和递增的预测属性,从而更适合于短期预测。但这些模型中的参数设定对预测精度有较大的影响,因此本研究利用三种人工智能优化方法对上述模型的参数进行优化估计,通过构造不同的目标函数,提出了基于人工智能参数估计方法的单变量灰色模型;(2)双参数的Weibull分布、Lognormal分布和Gamma分布能够分析单个随机变量取值的概率规律,然而分布函数的参数取值不同会产生形状和性质截然不同的概率密度函数。因此,在利用滑动T检验和滑动F检验分析数据均值和方差变化之后,本研究采用三种人工智能优化方法去估计这些参数。为了使概率分布函数与数据的真实分布之间的拟合度达到最好,本研究提出了基于人工智能优化参数估计的方法,它们通过最小化构造的损失函数来建立单变量统计分布模型;(3)数据挖掘算法可以从大量数据中分析数据间的某些规律或隐含的信息,本研究利用Pearson相关系数和Apriori关联规则分析因变量与自变量之间的关联性,并将与因变量具有强关联性的自变量作为预测模型的输入集,从而增加时间序列的预测精度。径向基(RBF)神经网络多用于多变量预测,然而建模时不仅需要较多的隐含层节点数目而且预测精度也不高。LASSO和Hard-ridge可以通过构造惩罚函数对模型的变量进行选择,从而减少变量的个数。因此,本研究将二者选择变量的特性引入RBF神经网络参数线性化的结构中,通过对隐含层节点的选择来实现模型简化的目的。基于以上原理,本研究提出了基于人工智能参数估计方法的多变量统计模型,它们包括基于人工智能参数估计方法的RBF与LASSO结合的预测模型和基于人工智能参数估计方法的RBF与Hard-ridge结合的预测模型。预测的目的就是利用构建的模型解决实际问题,在本论文的研究中我们将所提出的三类预测模型应用到以下几个不同的领域:(1)考虑到发电量对电网安全预警及规划的影响,将第一类模型应用于中国安徽省和湖北省的发电量预测;(2)基于真实风速频率分布对风电场选址的影响,利用第二类模型对中国内蒙古两站点的风速分布及性质进行了评估;(3)以可再生能源的开发和利用为切入点,将与太阳辐射密切相关的一些气象因素作为输入集,利用第三类模型预测美国两站点的太阳辐射量。