时间序列的多步向前外推预测是对目标变量在未来一段时间内的取值预期,可以为决策赢得大量宝贵的时间,具有极大的现实意义。由于现实世界中很多时间序列都带有季节成分,而季节性时间序列预测也一直是学术界的研究重点与难点问题,因此本文致力于为季节性时间序列开发不同预测场景下的有效多步向前外推预测模型。对于变化趋势大体清晰但夹杂细微不规则波动成分的季节性时间序列,本文在对其实施外推预测之前预先执行一或两项下列两种数据预处理操作以避免不规则波动成分和季节成分对预测的干扰:利用完全由数据驱动的基于经验模态分解的信号滤波方法进行降噪;利用季节指数方法剔除序列的季节成分。为了克服传统多步向前外推预测方法的误差步际放大等缺陷,本文使用多输出前馈神经网络(MFNN)对预处理后的时间序列进行建模,并构造了三个多步向前外推预测模型即MFE、MFS和MFES,其中后两者因为预先剔除了序列的季节因素,需要在MFNN获得预测值后恢复其季节成分以得到最终的预测值。在使用这三个模型进行实证分析时,通过对双重季节性的电力负荷需求序列做出适当的重组,实现了对其未来一个星期的预测。在已经获得多个季节模型的预测结果的情况下,本文使用组合预测方法来对这些单项模型的预测值进行综合考虑以充分利用它们所反映的数据细节,为了适应各单项模型预测性能因不断变化的数据性质而发生的改变,本文推广了一个原本用于处理类别数据序列的高阶Markov链模型来更新组合预测的权重,并依此提出一个时变权重组合预测模型即HM-TWA,该模型将样本内各时间点上的组合权重向量视为Markov状态概率分布向量并对其进行外推预测以得到样本外时变组合权重。此外,本文为包括HM-TWA在内的组合预测模型设计了一个合理的多步向前外推预测方案,该方案使用与要求的组合预测值的预测时间跨度相同的单项模型预测值来建模,从而实现了对未来一个周期的外推预测。对于每次增加一个小周期数据且在增量过程中有可能发生均值突变的双重季节性时间序列,为了实现在每次数据增量后向前外推预测一个小周期(窗口)的动态预测,本文首先以机器学习中的集成思想为出发点构建了窗口间加权平均模型(WAW),该模型为每个小周期估计一个所谓的窗口模型且彼此互不干扰,因此在动态预测中具有记忆力好、可塑性强和计算成本小等优势,最终的组合预测值为窗口模型预测值的加权平均。通过在WAW模型中加入基于Fisher最优分割的窗口模型主动选择机制,从而构建了 FWAW模型,结合WAW固有的赋权机制,该模型使得窗口间组合预测可以尽量反映最新的数据性质。随后,为FWAW的窗口模型设计大周期校正机制以使其正确反映序列的双重季节性,从而建立了 S-FW模型;进一步为S-FW引入跟踪和应对数据均值突变的域变机制从而建立了 RS-FW模型。为了验证在上述三个场景下建立的模型的预测有效性并拓展其实际价值,本文将它们分别应用于电力负荷需求、电力消费和电价等电力系统或电力市场的预测领域中。实验结果表明,相对于传统预测模型,它们的预测性能都有较大的提高,特别的,RS-FW模型可以在双重季节性时间序列的增量过程中持续返回有效的预测值,并在数据发生均值突变后迅速恢复预测准确度。