预测对决策具有重大指导意义。时间序列预测是一种根据历史数据构造时间序列模型来预测未来的一种方法。是多学科交叉的研究领域。现实世界多是非线性、不确定、开放性的复杂系统，传统的统计学方法或者静态模型下的时间序列预测很难满足要求。在时间序列预测的众多模型中，神经网络因为其良好的自学习与自适应能力而比一般模型更容易从复杂模式中抽象出有用的信息。但传统的神经网络方法存在收敛速度慢、网络结构不易确定等弱点。因此有必要在时间序列预测中引入新的方法和思想。本文针对复杂时间序列，在商空间拓扑结构下变换序列的构成方式，从不同层次、不同角度分析时间序列，把定性思维和定量分析有机的结合和统一起来，能够改变信息的不完备性、降低问题复杂性；在此模型基础上，引入构造性学习方法，是一个很有价值的课题。本文的主要研究内容和创新点为：1、分析了时间序列中粒度的选取。通过分层与合成技术选取大小不同的粒度，更全面获取信息，降低问题复杂度，提高效率。2、在商拓扑结构下，进一步讨论时间序列的构成和预测。从时间间隔的角度看，不同大小粒度本质上就是时间间隔的不同。不同层次的粒度选取对应着不同的时间间隔序列分析。在商空间模型下，综合利用多个相关序列提供的信息对其中一个序列进行预测，从不同层次的信息粒度综合利用多个相关序列提供的信息对其中一个序列进行预测。如冬小麦产量预测中序列4中混合粒度就是采用变化的时间间隔选取的。实验结果也显示了这种混合粒度的方法更有效。从数据是否重叠的角度去看，在商拓扑结构下还可以采用数据重叠交叉的方式构建序列，因为时间序列的信息常常具有非线性、不完备性等特征。在商拓扑结构下，数据重叠的序列构成方式，将具有一定相关性的多个时间序列作为一个整体进行研究，即进行多变量时间序列分析，这将有利于更好地了解各时间序列的特性，最大限度的改变了信息不完备程度，挖掘出序列的内在信息。大气质量预测实验中4日数据重叠的序列2和9日数据重叠的序列3也显示了其预测效果比直接的、数据不重叠的序列构成方式要好。3、将构造性学习方法覆盖算法引入时间序列预测中，具有结构简单、构造性好、可读性强、预测速度快、准确性高的特点。冬小麦产量预测的实验结果很好的说明了基于覆盖算法的时间序列方法的实用、灵活、稳定、精确。核覆盖算法融合了SVM中的核函数法与构造性学习的覆盖算法中的优点。煤价预测实验结果也显示了基于核覆盖算法的时间序列预测具有计算量小、精度高等优点。本文将商空间理论应用于时间序列研究还仅仅是一个初步的尝试和探讨，相信随着计算智能研究的深入，将会有更多的更有效的方法应用到时间序列分析和预测中来，为推动经济和社会的发展做出贡献。