对未来的预测从人类存在之初就吸引着人类。事实上，在日常活动中，如能源管理、电信、污染、生物信息学、地震学，以及显然的神经科学中，都可以看到这些努力。准确的预测在经济活动中是至关重要的，因为在某些领域的重大预测失误可能会造成巨大的金钱损失。

在这种背景下，对时间数据的成功分析对过去几十年的许多研究人员来说是一项具有挑战性的任务，事实上，很难找出任何没有时间依赖变量的科学分支。

计算智能以包括人工神经网络、模糊系统、进化计算、学习理论或概率方法等强大技术而闻名。因此，本专题的重点是这些技术在时间序列中的应用。特别是，目标是分享时间序列分析的最新进展，并提供一个有趣的机会来展示和讨论现实世界应用中的最新实际进展。

开展了严格和广泛的审查程序。为这个特刊选择的论文提出了在时间序列预测领域的新发现和见解。讨论的话题范围广泛，特别是在以下领域:金融、旅游、饲料粮食需求、雾霾事件、股票价格或数据存储。

遗传算法已发展与二进制编码分析高速交易研究利用股票价格数据的微观水平。这个问题无疑是计算智能技术尚未探索的新问题。报告结果表明，该系统能够提高价格走势预测的准确性，从而鼓励在这方面进行研究。

利用树突状神经网络的季节趋势自回归综合移动平均进行旅游需求预测。利用日本的数据对模型的预测性能进行了检验。模型采用SARIMA模型排除长期线性趋势后，生成短期预测。本研究混合了线性和非线性模型，并建议进一步分析这些技术的组合是可取的。

同时，提出了一种新的不规则抽样估计方法来提取时间序列的主趋势。为此，首先使用卡尔曼滤波去除脏数据。其次，利用三次样条插值和平均法重建主趋势;该方法已应用于互联网数据中心的存储卷系列。结果很有希望。

提出了一种新型的混合人工智能系统，用于股票价格指数趋势预测。特别是将人工神经网络与遗传算法相结合，应用于泰国2009 - 2014年SET50指数趋势数据。考虑了多个特征和不同的时间跨度。通过与其他方法的比较，证实了这种新方法的成功。

饲料粮需求的长期预测问题已被广泛讨论。介绍了一个多元回归模型和一个动态预测模型。首先，研究了需求及其影响因素之间的相关性;其次，预测了影响需求因素的变化趋势。报告的结果证实了该方法的有效性。

提出了一种新的北京雾霾事件长期预报模型。建立了日霾增量的动态结构测量模型，并将模型简化为矢量自回归模型。该模型对翌日空气质量指数预报效果良好，在许多情况下准确率接近90%。因此，利用该方法可以对突发雾霾进行预测。