时间序列是数据按照时间先后顺序排列而成的集合。研究时间序列的目的是寻找数据间的时序联系,根据已知的历史数据对未来数据进行合理地预测。近年来,基于机器学习的时间序列建模及预测受到研究者的关注,神经网络、支持向量机等学习模型已经广泛应用于时序数据的研究中。以现有研究为基础,本文运用元认知和直觉模糊神经网络对时间序列问题进行讨论。基于时间序列的特点,对学习模型的构造方式及学习算法的适用范围等问题展开探索,主要工作如下:(1)为降低数据复杂性,提高系统运算效率,增加数据预处理环节。研究原始时间序列本身所蕴含的时序联系,利用经验模态分解方法将一维数据映射到多维度模型,探究数据在不同维度表达的变化趋势。通过对数据在多维度中的走势进行分析,寻找原始数据中可能存在的不稳定性数值并有针对性地处理。对时间序列进行预处理,能够在保留数据主体特性的基础上获得更加平滑的时间序列,为展开后续研究提供便利。(2)以模糊神经网络为基础,使用直觉模糊集对模糊化环节进行扩展。传统模糊神经网络只关注隶属度,但因为现实问题的复杂性,无法使用隶属度进行全面描述,导致模型遗漏重要信息从而造成预测结果不准确。通过引入犹豫度的方式扩展为直觉模糊集,同时使用隶属度与非隶属度表述样本与规则之间的关系,提升预测模型处理现实问题能力。(3)在多层模糊神经网络模型下,通过在网络中添加自反馈环节,使用门控循环神经网络记忆已学习数据样本所表达的特性,探讨顺序学习中前后数据间存在的长程时序依赖对预测系统本身的联动影响。在系统构造中,同时考虑数据在时间层上的纵向联系与数据在多层网络间流动的横向状态,为自反馈环节寻找恰当的连接方式与构造方法。(4)以更加高效地构造预测模型为目的,对模型结构和参数更新过程进行研究。时间序列的持续变动性需要推理系统的在线更新,因此,系统构建效率成为衡量系统性能的重要指标。在构造过程中使用元认知赋予系统自主学习的能力,使用当前样本经过系统时所产生的计算结果与输出结果,与模型参数建立关联,从而判断当前样本可能对模型产生的影响,以此引导预测系统做出正确的判断,使得系统构造智能化。