随着计算机软件、网络科学技术的发展,现今社会的信息化程度越来越高,每天都有大量的信息产生并被以时间序列数据的形式存储。面对如此庞大的信息量,如何利用这些数据序列成为很多领域的研究热点。分类和预测作为两种重要的时间序列数据分析形式,也获得了广大研究者的关注。随着研究的深入,时间序列中存在的非线性、不确定等因素使得传统的统计学方法或者静态模型下的时间序列预测模型无法满足当前的要求。神经网络因为其良好的自身特性,比较适合处理复杂的数据模型并从中抽象出有用的信息。但传统的神经网络存在的不足,使其应用受到限制。本文将针对多因素时间序列,使用构造性神经网络和灰色理论相结合的模型完成对时间序列的分类预测和数值预测。为了更加有效地对多因素时间序列进行预测,本文引入了商空间粒度计算理论。从不同的层次、不同的角度对时间序列进行分析,将定性与定量两种分析结合起来,降低问题的复杂性、突显影响问题发展趋势的特征属性,有利于提高预测的效率和精度。本文主要工作如下：(1)面对时间序列数据量大且数据质量不一的情况,使用粒计算理论中的商空间粒度计算理论对时间序列中的粒度进行划分并分析。通过粒化与合成技术选择不同的粒度,使得研究对象数据的特征更加明显,以获得更加全面的信息,并降低问题求解的复杂度。(2)在时间序列预测模型中,基于神经网络的预测模型较适合对多变量进行处理,常用来解决多因素时间序列预测问题。相对于传统的神经网络,构造性神经网络具有构造性好、可理解性强、速度快等特点。本文在构造性神经网络的基础上,针对初始化值对构造性神经网络具有较大影响这一问题,提出多次覆盖点与随机选择中心点交叉作为覆盖中心以提高覆盖中心的质量。对已存在的覆盖中心增加竞争机制,每个覆盖中心通过比较择优留存。通过实验对比发现,相对于普通的覆盖算法,基于竞争的覆盖算法提高了神经元即覆盖域的质量。(3)在多因素时间序列预测中使用GM(1,1)(一元一阶灰色模型)和构造性神经网络混合预测模型。构造性神经网络是一个非常优秀的分类网络模型,本文使用该模型完成分类预测,对预测对象做出定性分析,即分类。根据时间序列随时间的发展具有一定的趋势性这一特征,将时间序列预测值分为趋势值与状态值两个部分,分别进行预测。对时间序列的趋势值,文中使用灰色理论的GM(1,1)模型进行预测,而状态值将通过覆盖算法进行预测。然后通过两种预测模型的结合,综合两个预测值,获得时间序列预测的最终结果。(4)实验。采用煤矿瓦斯监测数据进行具体预测实验。分别使用构造性神经网络分类预测模型对瓦斯浓度的变化趋势进行预测,GM(1,1)与构造性神经网络混合模型完成对瓦斯数值的预测。实验结果表明,分类预测模型可以准确预测出瓦斯浓度的变化趋势,根据预测结果,在实际生产活动中可以提前采取措施,以保证生产安全。GM(1,1)与构造性神经网络混合预测模型在瓦斯浓度值的预测实验中,混合预测模型在的结果明显优于GM(1,1)模型的结果,相对于其他网络模型,也具有计算量小,精度高的预测效果。通过实验,验证了该混合预测模型的有效性和高效性。