随着大数据时代的到来,预测成为了大数据时代的核心。然而随着大量数据的收集,噪声数据、缺失数据、不一致数据等不可完全修复的弱可用数据(Weakly Usable Data)也被同时被带到了多元时间序列中,构成了弱可用多元时间序列(Weakly Usable Multivariate Time Series,WUMTS),最终将使预测计算的结果不准确、数据挖掘的结果有偏差。因此,如何在弱可用多元时间序列中进行有效的、准确的、具有鲁棒性的预测计算,正是本论文研究的重点问题和核心问题。由此也可说明本论文的研究具有重要学术价值和实际工程意义。本论文在分析弱可用多元时间序列特点的基础上,针对其不完整和不精确的特点,分别从弱可用多元时间序列预处理、组合预测、补偿误差三个方面,提出了适用于弱可用多元时间序列的预测计算方法。主要内容如下：(1)针对常用的预测计算方法未考虑到数据弱可用的问题,提出了一个适用于弱可用多元时间序列的预测计算方法总体架构。在传统预测计算方法框架上,构建包括弱可用多元时间序列预处理、细粒度分解、组合预测和分量预测结果重组在内的弱可用多元时间序列预测方法框架。(2)针对弱可用多元时间序列不完整和不精确的两个特点,提出了弱可用多元时间序列预处理方法,包括对弱可用多元时间序列的集成规约、变换,缺失值填补,基于稀疏分解的去噪处理和基于主成分分析的降维处理,构成弱可用多元时间序列预处理模块,使得弱可用多元时间序列的可用性在一定程度上有所提高。(3)针对组合预测需要对弱可用多元时间序列进行有效分解的问题,提出了弱可用多元时间序列的细粒度分解方法,主要包括因素自适应情景聚类和序列值EMD分解,有效地削弱了弱可用多元时间序列对因素的敏感性和序列值间的相关性,构成了弱可用多元时间序列细粒度分解模块。(4)针对预测算法对弱可用多元时间序列的适应性问题,提出了基于Adaboost的组合预测方法,通过备选弱预测器的自适应选择,最终利用Adaboost算法组合成强预测器,实现对每一个细粒度分解结果分量的组合预测,构成基于Adaboost的组合预测模块。(5)针对EMD线性重组带来的误差累积问题,提出了基于参数优化SVM的非线性分量预测结果重组方法,通过MPCSO对SVM的重组参数寻优,实现了分量预测结果的非线性重组,且对误差具有一定的补偿作用,构成基于MPCSO-SVM的分量预测结果重组模块。最后,通过冷负荷弱可用多元时间序列的实验,验证每一个模块所具有的优越性,且每个模块间不会产生误差的累积,以此验证本论文所提出的弱可用多元时间序列预测方法的可行性、准确性、鲁棒性和普适性。