时间序列预测（FTSF）是一种应用广泛的典型预测方法。传统的FTSF被视为一个专家系统，这导致其无法识别未定义的特征。上述是FTSF预测不佳的主要原因。为了解决这个问题，提出的模型差分模糊卷积神经网络（DFCNN）利用卷积神经网络重新实现了具有可学习能力的FTSF。DFCNN能够识别潜在信息并提高预测精度。得益于神经网络的可学习能力，在FTSF中建立的模糊规则的长度被扩展到专家系统无法处理的任意长度。同时，由于非平稳时间序列的趋势，FTSF通常无法实现令人满意的非平稳时间系列性能。非平稳时间序列的趋势导致FTSF建立的模糊集无效，导致预测失败。DFCNN利用差分算法削弱非平稳时间系列，使DFCNN能够以较低的误差预测非平稳时间串，而FTSF无法以令人满意的性能进行预测。经过大量实验，DFCNN具有良好的预测效果，领先于现有的FTSE和常见的时间序列预测算法。最后，DFCNN为改进FTSF提供了进一步的思路，并具有持续的研究价值。 关键词：卷积神经网络、深度学习、预测、模糊时间序列。
