预测能够在自觉认识客观规律的基础上,较准确地揭示出客观事物运行中的本质联系及发展趋势,勾画出未来事物发展的基本轮廓,为决策提供充分的科学依据.没有观测就没有拟合,没有拟合也就无法预测.因此,本文以时间序列预测和拟合预测为核心,旨在对两方面的内容进行研究:(1)时间序列预测模型的改进研究;(2)一种特殊时间序列一数据的概率分布拟合预测模型的研究.围绕这两方面的内容,本文提出了四类时间序列预测及拟合预测模型:(1)常见的时间序列中季节项与趋势项并存,但是时间序列预测模型多以趋势项预测为主,而忽略了季节项.因此,本研究采用时间序列分解模式,通过将时间序列分解为季节项和趋势项,并对趋势项采用原始的一阶、二阶自适应系数预测法及粒子群优化的一阶、二阶自适应系数预测法,提出了基于时间序列分解模式和粒子群优化算法的指数平滑预测模型;(2)尽管神经网络在时间序列中已能取得较高的预测精度,但是,采用神经网络对含有季节项的时间序列直接进行预测,仍具有预测精度不高的缺陷.因此,类似于第一类预测模型,本研究在时间序列分解模式的基础上,提出了基于时间序列分解模式的神经网络预测模型;(3)Weibull分布常被用于数据的概率分布这种特殊时间序列的拟合预测中,但是,现存的Weibull分布参数估计方法均存在估计误差较大等缺陷.因此,本研究采用粒子群优化算法和微分进化这两种参数优化估计方法,通过构造不同的损失函数,提出了基于人工智能参数优化方法的Weibull分布模型;(4)常用的概率分布拟合预测精度衡量准则多存在以频率代替真实概率或分母为0导致其无意义的缺陷.为克服上述缺陷,本研究将连续分级概率评分(CRPS)引入数据序列的概率分布拟合预测中,并在CRPS形式表达式的基础上,推导出了分布函数取双侧截尾正态分布的CRPS的解析表达式,该结果可用于含有任意两个截尾点的情形,并且是对现存仅有的分布函数取非截尾正态分布以及左截尾点为0的单侧截尾正态分布的CRPS解析表达式的扩展;在双侧截尾正态分布所对应的CRPS解析表达式基础之上,本研究进一步借助“3sigma”及“6sigma”原则,给出了 5种截尾点估计方法,并采用布谷鸟搜寻算法,对截尾点估计方法中所含的位置参数及尺度参数同时进行了估计.为验证上述模型的有效性,我们将它们应用到以下几个领域:(1)以新能源开发和利用为切入点,将上述第一类和第二类模型应用于甘肃河西走廊地区不同站点的风速预测中;(2)考虑到风速分布在风电厂选址中的重要性,将第三类模型应用于内蒙古风电厂的风速概率分布拟合预测中;(3)异常数据检测与处理是数据挖掘与处理中的一项重要任务,因此,本研究将第四类模型应用于实际的Iris数据及fourclass数据的异常值检测中.这些预测及拟合预测实际应用案例均表明,相对于原始的模型和其它一些经典的预测及拟合预测模型,我们提出的预测模型和拟合预测模型在预测精度方面均有较大的提高.