近年来随着互联网技术和存储设备性能的提升,各类复杂系统衍生出大量的数据。其中很大一部分数据是以时间为刻度计量的,按照时间的先后顺序将观测值记录下来的有序序列称为时间序列。对以时间为变量的序列进行分析,获取其所包含的数据特性,根据数据特性以及历史数据之间的变化规律构建数学模型,并将其外推到下一时刻预测未来时刻或者一段时间的观测值。在现有的研究中,时间序列预测已经成功应用在不同的领域,如:通信工程、股票价格、医学等。鉴于时间序列和网络的结构相似,描述的是节点和边属性之间的关系,因此可以通过网络拓扑结构研究时间序列。Lacasa提出了可视图算法,通过可视规则将时间序列节点和连边一一映射到复杂网络中,得到的网络中依旧保留原始序列的动力学信息。通过网络表达的时间序列不单单是一组线性数据,而是刻画了节点之间相互关系的几何模型。复杂网络中通过链路强度预测节点之间产生连边的可能性,受链路预测思想的启发,在通过可视图算法转换的复杂网络中探索历史节点与预测节点之间的链路强度,通过网络结构对时间序列进行预测。现实生活中由于设备、计量方式等的不同导致时间序列观测值出现数据异常和模糊性,不确定性是影响时间序列预测精度的主要因素。时间序列研究目的是对历史数据建模,利用构建的模型对时间的发展趋势进行预测。基于不确定性数据分析建模进行时间序列预测会增大预测误差,将其应用到实际系统中,会造成不同程度的损失。D-S证据理论弱化了传统概率论所需条件,将基本事件空间拓展到其幂集之上,具有更强的表达与处理不确定性信息的能力。因此在时间序列中,使用基本概率表示描述观测值的不确定性,并通过证据理论有效处理时间序列的不确定性。因此,本文以时间序列预测为研究对象,探讨了时间序列在可视图中建模以及不确定性处理的问题,提出了两种新型时间序列预测模型,主要工作以下3个方面:1)基于可视图和证据理论的时间序列预测模型:将时间序列通过可视图算法转换成网络,在网络中通过节点相似度的链路预测方法,即计算时间序列中历史节点与最后一个节点的节点相似度,训练数据集得到前k个最大相似度相关节点,利用相关节点信息与最后一个已知节点,计算出初步预测结果。通过节点之间的证据差异性和时间距离计算前k个相关节点对最终预测结果的影响程度,修正初步预测值。2)改进加权可视图的时间序列预测:通过可视图算法转换的网络为无权网络,未评估节点之间的相互作用,对不确定性没有从原始数据上进行处理。针对存在的问题,提出了基于加权可视图的时间序列预测,通过证据信度和节点的度表示连边权重,衡量时间节点之间的相互作用,有效处理了不确定性。之后根据时间序列的特性,距离越远的节点对最终预测结果产生的间接影响越小,采用时间距离对造成预测结果误差的直接影响和间接影响分派权重系数,得到更精确的预测值。3)模型的实验和分析:将本文提出的模型分别应用于中国和美国的COVID-19确诊人数预测中,与其他时间序列模型的实验误差对比表明了本文模型能较好的预测确诊人数的发展趋势。由于本文模型是基于证据理论探讨不确定性,因此可以通过对基本概率分派的预测得到治愈人数和死亡人数的发展趋势,与其他时间序列模型预测治愈和死亡人数的实验结果对比发现本文模型基于辨识框架下对治愈和死亡人数的预测更贴近真实值。为了验证在数据量较大时模型的预测性能,将其应用于美国的COVID-19确诊人数数据集,对比分析本文模型和其他用于COVID-19预测模型对美国数据预测的误差指标,实验结果说明了本文模型具有良好的预测性能。