时间序列是具有时序关系的数据集合,广泛存在于自然界和社会生产生活中。受内、外部因素影响,时间序列通常具有非线性、不确定性的特征。如何从历史数据中学习其潜在的规律,预测数据未来的变化趋势,一直是研究者关注的课题。模糊认知图具有数值推理、可解释性等特点,在时间序列预测中得到广泛应用。本文在模糊认知图的基础上做了进一步的改进来分析和研究时间序列,主要包括以下内容:（1）为了在不确定的环境下对时间序列进行有效建模,本文提出一种新型的高阶直觉模糊认知图模型。通过将直觉模糊集引入到高阶模糊认知图中,以对具有长期时间依赖关系的时间序列数据进行特征学习。该方法不仅能有效地提高针对含有强噪声、高波动等不确定性时序数据的知识表示及学习能力,同时也增强了模型在长时序依赖关系下的建模能力。此外,为捕捉序列数据的波动特征,利用变分模态分解将时间序列分解为不同频率的子序列,在此基础上进一步得到不同尺度上的精细特征。（2）将库计算与信息粒机制引入模糊认知图中,提出一种针对多维时间序列的预测模型。在保留模糊认知图的可解释性和因果推理等优势的同时,利用库计算技术增强对流式数据的学习能力,以高效的方式实现对大规模数据特征的学习;同时,为了解决时间序列中存在的高波动问题,增强模型训练的鲁棒性,利用信息粒技术对模糊认知图的权值类型进行了有效的改进。将上述智能模型应用于交通时间序列、EEG信号等真实数据中,取得了较好的预测效果。