预测是人们依照历史信息对未来进行的推测与预期，合理、准确的预测是人们提出恰当、合理决策的基础与保证。学术与工程实践领域里，对于时间序列数据的预测，长期以来是学者们紧密关注的课题。时间序列数据中可以储存非常多的信息，其中也蕴含着许多系统动态规律，于是，通过充分分析这些时间序列数据，挖掘出数据中演变规律，从而实现对前期系统运行的观察和对后期系统运行的预报，这在实际应用里有着十分重要的价值及意义。　　在实际应用中，所获得的时间序列数据通常是非线性的，而且常常是不平稳甚至快速变化的，精准地分析预测此类时间序列数据是非常困难的。因此，本课题在传统时间序列预测方法的基础上，分别引入了小波分析、Elman神经网络、回声状态网络、模糊理论等智能算法来探讨提高时间序列预测效果的方法。　　预测应用过程当中，如果对一个序列分别创建不同的预测模型，那么这些不同的模型所产生的预测效果是有差异的，而且有时这种差异非常大。因此，针对不同预测方法的优缺点，可以把多种预测方法进行融合，从而创建出一种新的预测模型来实现数据预测，这种新的模型能够充分融合大量有用信息，在最大程度上改善数据的预测效果。　　本课题提出了以下几种模型:小波-AR模型，小波-AR-Elman神经网络模型，小波回声状态网络模型和模糊回声状态网络模型。模型首先利用Mallat算法和Daubechies小波将原始时间序列进行不同尺度上的分解与重构，分别得到不同分解尺度上的细节部分序列和概貌部分序列，而后分别针对新序列特性分别创建预测模型进行预测，最终将细节部分和概貌部分的预测数据进行拟合得到原始时间序列的预测结果。　　课题中分别对以上几种模型进行了预测仿真，通过仿真结果及预测效果评估指标对比分析了不同模型的预测能力。