准确预测季节序列对于制定经济、环境、能源等系统的中长期规划和政策评估,实现经济社会可持续发展至关重要。目前,由于系统演化速度快,且受复杂因素干扰,对系统的准确预测面临着各种困难,尤其是受季节性和不确定性干扰的系统。传统的预测模型难以对季节序列的变化趋势特征进行准确描述,因此很难得到准确的猜测。但是由于生活中实际数据的难以获取以及信息的不对称等因素,会导致有效信息量少,给实际预测带来一定的困难。要想对实际情况做到准确的预测,必须通过合理的方法解决这一问题。灰色系统理论由邓聚隆教授提出,拥有样本量小、能处理贫信息问题且预测精度高等诸多优点,得到广大学者的认可。现有的灰色预测模型经过大量实践证明其可行性及实用性,并被广泛用于能源预测,工业预测及新兴产业预测等实际运用中,为人们解决实际预测问题提供了良好的解决方案。尽管现有的研究中,对于季节序列在理论和方法上已经达到了成熟的阶段,但忽略了在描述某一系统未来估计中发挥重要作用的趋势特征且对于数据的适应性还有待加强。为了解决离散灰色季节模型的不足,本研究在传统离散灰色模型的基础上构建两个异质性离散灰色预测模型即DGSTM（1,1）和DGSTPM（1,1）,新模型可以有效捕捉季节序列的周期性和时间趋势特征,以实现对石油消费量、污染物、用电量等季节序列的准确预测。文章根据季节序列的波动性、周期性等复杂特征,通过在现有离散灰色季节模型基础上,添加时间项及时间幂次项,构建新的异质性离散灰色季节模型DGSTM（1,1）及DGSTPM（1,1）模型,并结合智能优化算法文化算法的优点,对DGSTPM（1,1）模型进行超参数优化。同时利用数学公式详细介绍两个新模型的建模过程及性质推导,以更好地展示模型机理。为了验证新模型的模拟及预测性能,本文分别利用DGSTM（1,1）对中国季度总用电量、美国季度终端用户用电量、日本和德国月度石油产品用电量四个具有不同特征的季节时间序列进行模拟和预测,DGSTPM（1,1）用于国总的月度石油消费量、中国季度焦炭产量以及中国常州PM2.5污染物浓度的模拟和预测,并对比较模型包括SARIMA、BPNN、SGM（1,1）、DGSM（1,1）以及LSSVM进行简单介绍,依据模型精度评估准则对比分析新模型的预测性能。试验结果表明,与基准模型相比,本文设计的两个新模型具有更高的模拟及预测精度和适用范围,可以较好地捕捉时间序列的季节周期性以及趋势变化特征。