在时间序列的分析和研究中,数据的可靠性起着至关重要的作用,因为缺失的数据中可能反映了时间序列的一些重要属性。因此,如何处理缺失值是一个非常具有挑战并亟待解决的问题,而这一问题的重要性又在即将到来的大数据时代下被不断深化和加强。为了有效地弥补缺失值、还原原始序列,本文提出了两种方法插入缺失值：CS-TFIFS方法和CS-TFIFS-WC方法。前者巧妙地变换了经典的分形迭代函数,使之能够计算指定点的缺失值。在此基础上,用来确定TFIFS参数的布谷鸟搜索算法(CS)和TFIFS方法又合成了一个新模型：CS-TFIFS.考虑到像线性插值,三次样条和PCHIP这样的传统插值方法的自身优势,一种获胜者组合的思想被提出。其主要利用CS算法获得组合模型中三种最优模型的最佳权重。在电力市场上,电力价格预测系统始终起着举足轻重的作用。但是,作为政府监管机构和公众电力公司决策的关键因素,准确的价格预测仍然是电力系统亟需突破的难题。为了解决这一问题,本文提出了一种基于坏样品指标矩阵(IBSM)、优化算法(OA)和无监督学习方法提出了DCANN和UDCANN来预测电价。这种模式可以删除不良样品,从而让机器学习地更加精确,与此同时,该模式也具有了一个动态的网络结构。