时间序列数据广泛存在于经济、政治、金融、管理、军事等多个领域,对时间序列的预测可以挖掘事物发展的固有规律,对事物发展的趋势做出定量估计。目前组合预测对各单一预测方法的权重分配往往采取评价指标达到最优的方法,而将其当作一个决策问题,将决策方法引入到组合预测的研究相对较少。本文基于现有成果,深入探讨了组合预测和多属性决策相结合的问题,将逼近理想解排序法(TOPSIS方法)引入到时间序列组合预测中,具体研究工作如下:1)考虑到股票指数在不同的幅度范围下出现的频次有显著差别,本文给出了股票指数数据的预处理方案,并据此得到了各时间序列单一预测方法的预测值;2)考虑到组合预测对单一方法的选择以及对各单一预测方法的权重分配问题本质上为一个决策问题,本文将每个时刻t的预测精度和n阶预测精度方差作为TOPSIS方法的属性,由此可计算每个时刻t各单一时间序列预测方法的贴近度,并将其作为IOWA算子在时刻t各单一预测方法的诱导值,构建了一个基于TOPSIS方法和IOWA算子的时间序列组合预测模型,最后利用股票指数实例验证了本文提出的方法在各项预测评价指标下均优于各单一预测方法;3)本文对经过诱导的各单一预测方法的权重做了灵敏度分析,进一步研究其权重变化对预测效果的影响,验证了经过本文思想诱导的预测方法能提供更多有效信息,并对实际应用做了相关分析。