预测模型是数据挖掘技术中的重要组成部分.时间序列预测属于数据挖掘中的复杂类型数据的挖掘,被广泛地应用于各种领域.季节性时间序列受到季节变动因素影响外,还受到趋势、循环和非规则成分变动因素的影响,对于这种具有复杂的非线性组合特征的序列,采用单一的线性模型进行预测,结果往往不理想.近年来兴起的人工神经网络有表示任意非线性关系和学习等能力,给解决这类问题提供了新的思想和方法.该文分析了时间序列预测的线性和非线性模型的特点,提出了基于神经网络的组合预测模型和叠合模型,融合多种预测方法优点于一体,为时间序列预测提供了一种新的预测方法.在这个思想指导下开展的主要工作如下:1)对传统的时间序列预测线性模型GM(1,1)和ARIMA模型的基本理论和方法进行了分析;2)研究了多层前向神经网络的结构和反向传播算法即BP算法,讨论了神经网络预测模型的设计方法和设计步骤.对影响网络泛化能力的因素进行了讨论.针对季节性时间序列预测,提出了一种季节性神经网络预测模型;3)以ARIMA乘积模型和神经网络理论为基础,提出了一种用于季节性时间序列预测的组合数学模型.采用最优加权组合预测模型,将单一的ARIMA乘积模型和季节性神经网络模型进行组合优化,同时考虑了季节因素和非线性成分等特征.预测结果表明,该模型在许多性能方面优于任何单一预测方法,为季节性时间序列预测提供了一种新的实用方法;4)季节性时间序列具有增长性和波动性的二重趋势.GM(1,1)模型能反映时间序列的总体变化趋势,但不能很好反映其季节性波动变化的具体特征,在模拟与预测波动时间序列中有明显的局限性.该文提出用季节性神经网络的方法来解决这一问题,利用GM(1,1)模型对时间序列趋势项进行预测,通过季节性神经网络模型对灰色模型的残差序列进行分析,提取其中的非线性成分作为预测时的补偿项,形成叠合模型.实例表明,所建模型具有较好的适应性和预测精度.