具有领域背景的时序数据具有典型的大数据特征。粒计算是解决复杂问题的重要求解方法,但是对于时序数据的粒度还缺乏系统的研究。ICU医学预测是ICU医学研究领域的重要课题,具有典型的时间序列特征,其主要目标在于通过准确预测病人入院后早期病情发展的危重程度,提升病人的存活几率。基于上述现状,本文将主要从以下三个方面展开研究。第一,针对数据的时序性,通过引入粒计算思想并在时间轴上应用二元关系,建立相应的ICU多粒度时间序列模型(TGS)。基于此模型进一步研究其上基本元素时间粒之间可能的关系以及其上的运算对时间粒形态的影响,并从预测任务的目标出发,进一步分析了其上多粒度以及弹性时间粒的构造。上述研究为基于时序数据的领域应用分析提供研究的理论基础。第二,针对ICU病员数据的多重特性,设计一个两阶段算法处理框架。该框架的第一阶段通过分析数据中的内在层次并采取必要的数据处理和聚类手段,降低了数据的维度及不确定性。在第二阶段使用经典的机器学习挖掘多生理指标信息共同作用与病员生理状态危重程度之间的关系。第三,为了进一步提升ICU病员预测的效果,更好处理数据中的不确定采样、高维度性以及非平衡性,在算法层面对两阶段算法框架的关键步骤进行优化,主要包括聚类方法的改进以及时序特征信息的提取的改进。通过实验效果对比论证了改进策略的有效性以及算法框架的实用性。