对大多数人来说,不确定指的是某个事件未知;而不确定理论关注的是在多大程度上某个事件已知。世界既不全是随机的,也不全是不确定的,但有时可应用概率论分析解决问题,有时可以用不确定理论。概率论是研究随机现象发生频率的数学分支。然而,若估计的分布函数与数量的固有频率不够接近,概率论约定的乘法规则可能会带来决策上的错误,归根究底,适用于具体空间的数数原理并不一定能够推广至所有抽象空间。事实上,在现实应用中,基于专家信度给出的分布函数和固有频率往往不接近,此时,不确定理论将是一个可靠度更高的数学工具.当分布函数和实际频率不够接近时,应用概率论可能会带来错误的结果,换言之,概率论是用以研究频率的数学工具;而不确定理论则是用作研究信度的数学工具。所谓信度正是人们对某个事件的相信程度,用以表示估计的分布函数和实际频率不够接近的情况。通过观察、分析和研究时间序列,寻找其变化和发展的规律,预测其未来趋势,就是时间序列分析。传统的时间序列分析是基于概率论系统,只能对满足随机性的观测对象进行时序分析,这就要求观测数据是精确的即实数。而对于其他非随机现象,例如年碳排放量、年石油储量、日股票交易价格、日气温变化等这类非精确观测,经典时间序列分析难以给出合理的预测结果。随着不确定理论的日趋成熟和不确定统计的发展,不确定变量对这类非精确观测的刻画拓宽了时间序列分析的边界。本文将这类非精确观测视为不确定变量,用不确定移动平均模型对其进行建模,并用岭方法估计不确定移动平均模型中的移动平均参数。随后,对拟合后的模型进行残差分析,得到预测值和置信区间。最后,通过数值算例证明了岭方法在不确定移动平均模型参数估计上的可行性,并通过气温预测的数值实例证明了岭估计在改善最小二乘估计对异常值的影响敏感的有效性。