近年来,随着模糊推理系统理论与方法研究的不断深入,其已逐渐应用到人们生产和生活的各个方面,发展成为目前不可或缺的高科技手段之一。然而在进行复杂系统建模与预测等应用时,随着输入变量的增加,模糊推理系统容易面临“规则爆炸”问题,使得系统的构建和设计较为困难。针对这一难题许多研究学者提出多种解决方法,其中函数权重单输入模块连接模糊系统(FWSIRM-FIS),结构简单,规则少易解释,且在建模和控制方面展现出优越的性能。但目前该方法研究相对较少,所以,为进一步提高FWSIRM-FIS的性能,获得更合理有用的输出结果,本文将智能算法与模糊系统相结合,进一步对FWSIRM-FIS的结构确定和参数优化方法进行改进。本文主要研究内容如下:首先,给出单输入规则模块连接模糊系统(SIRM-FIS)的简介,然后具体介绍在此基础上扩展的FWSIRM-FIS。为验证FWSIRM-FIS的建模和预测能力,本文将其应用到了建筑负荷预测领域,并与传统的反向传播神经网络(BPNN)、自适应模糊推理系统(ANFIS)和多变量线性回归(MLR)三种预测模型进行了比较,实验结果证明了该方法可以对建筑负荷进行精准预测,对比结果表明了FWSIRM-FIS优于其他三种比较方法。其次,为了提高预测结果的合理性,给决策者提供更多的有效信息,本文提出了一种区间函数权重单输入模块连接模糊系统(IFWSIRM-FIS)。IFWSIRM-FIS对传统FWSIRM-FIS进行了扩展,用区间函数权重代替了原来的函数权重,从而实现区间输出,为目标值提供合理的预测及区间后件。为了得到系统的最佳参数和最小误差,以期输出的区间更加合理,既能有效覆盖样本,又能尽量窄以减少不确定性,本文利用迭代最小二乘算法和多目标优化算法对IFWSIRM-FIS的参数进行了优化设计。为了验证所提出的IFWSIRM-FIS的性能,将其应用到了建筑负荷预测,实验结果证明了该系统既可以实现负荷单点预测,又可以有效且合理的覆盖真实观测值。最后,考虑到很多应用(如能耗、交通流等)中存在的周期特性,本文提出了一种基于FWSIRM-FIS的周期性知识与数据混合驱动的预测模型构建方法。该方法构造的预测模型由周期性知识模块和数据驱动的FWSIRM-FIS模块混合构成。首先,利用小波变换对含噪声的原始数据进行滤波处理,进而利用均值法提取周期性知识;在此基础上,用剔除周期性知识所得到的残差数据训练FWSIRM-FIS模块。在FWSIRM-FIS模块构建过程中,为了提高系统的性能,利用减法聚类算法和最小二乘法分别对系统的结构和参数进行了优化设计。最后将此方法构建的混合模型应用到了建筑负荷预测,且将其与传统的FWSIRM-FIS、BPNN、ANFIS和MLR四种预测模型进行了比较,实验结果表明本文所构建的混合预测模型可以有效提高系统的预测精度,在所有模型中具有最佳预测性能。