本文基于慢特征方法的理论,从一个非线性非平稳时间序列中提取外强迫因子,建立包含外强迫因子的非平稳时间序列预测模型。该方法不同于以往时间序列预测模式中,人为根据时间序列特征或物理影响设定外强迫因子,而是从时间序列本身提取外强迫因子。并且将外强迫因子嵌入到重构的非线性时间序列的预测模式中。由加入外强迫因子的Logistic映射产生“理想”的非线性非平稳时间序列着手,利用慢特征分析法提取其外强迫因子,对比分析表明,慢特征分析法具有很好反演外强迫因子的能力。在此基础上,将提取出的外强迫因子带入非线性“理想”时间序列预测模式的建立中,并进行预测实验。结果表明,在预测模式中引入提取的外强迫因子后能有效地提高预测技巧。利用上述方法对来自实际的时间序列进行预测分析试验,得到以下结果：(1)在一定范围内选取提取外强迫因子时的嵌入维数,并不会对实际提取的外强迫因子产生大的影响。不同的嵌入维数,得到的外强迫因子变化趋势相同,只是在数值的精细程度上有很小差别的位移。(2)在此基础上,将提取所得外强迫因子引入预测模式的建立中,预报精度得到有效的提高。对于大气气溶胶数浓度的时间序列,第一步预报相关系数从0.6982提高到0.7390。对于冬季臭氧时间序列,第一步预报相关系数从0.6015提高到0.7828。对于20年连续臭氧时间序列预测实验,第一步预报相关系数从0.7391提高到0.9160。(3)再根据慢特征方法的理论,将次慢输出信号作为第二个外强迫因子引入预测模式的建立中,变成双外强迫模式。对于对于大气气溶胶数浓度的时间序列,第一步预报相关系数从0.6982提高到0.7475。对于冬季臭氧时间序列,第一步预报相关系数从0.6015提高到0.9079。这表明引入第二个外强迫因子也能小范围提高预报精度。