灰色预测是解决小样本时间序列预测问题的重要方法之一,已经广泛应用于工程、经济、管理等多个领域。由于大量随机事件的影响,实际生产与生活中的时间序列往往表现出明显的非线性和非平稳性,而现有的灰色模型难以完全满足实际需要,仍需要对其不断改进和优化,提高模型的预测能力。本文从灰色作用量优化、背景值优化和参数优化等角度对经典灰色模型的改进和优化展开研究,构建新的灰色预测模型,利用智能算法对模型参数进行优化,将构建的新模型应用于能源消耗量的短期预测。本文的主要研究工作包括:(1)为了有效地拟合序列的动态特性,根据GM(1,1)模型灰色作用量的时变性质,将原来的静态灰色作用量改进为指数型动态灰色作用量,提出了基于幂指数驱动的灰色预测模型,系统地给出了模型的建模方法。通过对比实验和能源总消耗量的短期预测,得出了幂指数驱动的灰色预测模型具有更优的预测性能。(2)为了进一步增强灰色预测模型适应能力,利用不完全伽玛函数的非线性特性构造了非线性动态灰色作用量,进而提出了不完全伽玛灰色预测模型,研究了新模型的参数估计和求解方法,并对模型的非线性参数进行了优化。通过与传统模型对比研究,得出了不完全伽玛灰色预测模型具有更优的建模性能和预测性能。(3)从理论上研究和分析了分数阶累加灰色预测模型的灰色作用量在齐次指数序列的时变性质,即灰色作用量随时间变化而变化。为了增强分数阶累加灰色模型对不同序列的适应性,以指数型动态灰色作用量代替经典分数阶累加灰色模型的静态灰色作用量,提出了幂指数驱动的分数阶累加灰色预测模型;通过实例分析,得出幂指数驱动的分数阶累加灰色模型具有较好的建模能力和短期预测能力;特别是对于具有高发展系数的指数序列,新模型具有更优的建模和预测性能。最后,利用新的分数阶累加灰色模型进行了风电消耗量的短期预测。(4)为了进一步改进分数阶累加灰色预测模型的性能,提出了基于抛物型灰色作用量改进的分数阶累加灰色预测模型。为减少分数阶累加灰色预测模型在离散化过程中的误差,将梯形公式近似背景值的方法改进为基于辛普森法则的离散方法,提出了基于辛普森公式改进的抛物型分数阶累加灰色预测模型。通过全球石油消耗量的短期预测实例,得出了新模型具有更佳的模拟性能和预测性能。