区间值时间序列作为时间序列的一种,按照时间顺序收集区间值数据,能够描述观测变量的不确定性与可变性,在经济、社会、能源、环境等多个领域都具有很重要实用价值,对相关领域的预警、管理、控制和决策具有重要的指导作用。常规的区间值时间序列建模方法以数值为中心,追求预测结果的精确性。但在数据规模日益庞大的今天,过分关注个体数据的准确性已不再满足实际需求,这种预测结果并不能完全地描述由数据的不规则性或人类语言的模糊性所引起的不确定因素,存在局限性,不便于人类的认知与理解。作为一种新兴的信息处理方法,粒计算借鉴了人类处理和解决复杂问题的基本思路,借助模糊集、粗糙集和概率集等理论对实际问题进行抽象,将复杂问题通过信息粒化的方法划分为一系列更容易管理和更小的子问题,实现对问题的简化,提高求解效率,降低了全局计算代价。应用于时间序列领域,这种模拟人类对大量复杂信息理解与处理的方法追求模型的“可解释性”,使用户能够更容易地理解、捕捉与描述时间序列数据之间的动态行为特性,更高效地分析日益复杂的信息。在这一背景下,本文提出了一种基于粒计算的区间值时间序列建模方法,将粒计算与人工神经网络相结合对区间值时间序列进行建模与分析。该方法在论域上建立能够良好反映数据特性的语义概念集合,并将每个数值区间视为信息颗粒,将这些信息颗粒在粒计算框架内进行基于语义概念集合的信息粒表示。通过集合中信息粒对数据的描述,将原始的区间值时间序列转换为粒时间序列和语义时间序列,使用人工神经网络中的多层感知机对粒时间序列进行训练,完成模型的构建。模型的输出是区间值数据关于信息粒的一组描述,通过分析与重构可以获得该组数据的语义信息预测结果与数值预测结果。一系列的实验结果表明,根据本文方法构建的区间值时间序列模型在具有良好的可解释性的同时,在数值精度上也有一定的保证,两方面信息的综合使得预测结果更容易被用户理解和认知,为用户做出合理地决策提供了有效的支撑。