本文提出了两种建模思路,一是考虑趋势项和周期项的单维时间序列预测分析,二是对对数据经过粗糙集方法做属性约简的多维时间序列预测分析；在对数据系统结构分析的基础上不仅提高了预测精度也减少了运算的时间和空间代价。对于具有周期性但噪声较大的单维时间序列,如果考虑到其趋势成分和周期(季节)成分,对原始数据在使用预测模型前先做适当的预处理,滤波了趋势成分和周期波动,再对输出的相对平稳序列进行预测,精度会比直接使用原始数据有显著的提高。支持向量机方法用结构风险最小化原则代替了传统的经验风险最小化原则,其基本思想是首先通过非线性变换将输入空间变换到一个高维空间,甚至是一个无限维空间,然后在这个高维空间求取最优分类面。本文将考虑趋势项和周期项与ε-不敏感损失函数支持向量机方法相结合,取得了令人满意的结果。对于多因素时间序列的预测,通常很难确定各因素对目标序列的影响；如果考虑因素过多则容易包含大量冗余信息,不仅影响模型精度而且增加运算的时间和空间代价；反之则造成信息丢失,改变系统数据原有的结构,同样影响模型的精度。粗糙集理论是处理不精确、不确定与不完全数据的理论,能有效地分析不精确、不一致、不完整等各种不完备信息,但是粗糙集对噪声数据敏感且泛化能力弱,神经网络模型具有较强的适应能力,容错能力及泛化能力,可以弥补粗糙集的不足；再用粒子群算法优化BP网络的参数；在大量数据面前BP和GMDH方法不能很好的确定相对重要的属性组合,网络结构的构造缺乏通用的方法,推理过程不够透明,且缺乏解释能力,这些不足可以用粗糙集方法的优势来改进。