پیش‌بینی از مهمترین دستاوردهای علم مدل‌سازی است که نقش و جایگاه ویژه‌ای در مدیریت و تصمیم‌گیری دارد. در حالت کلی، رابطه مستقیمی بین دقت پیش‌بینی‌ها و کیفیت تصمیمات اتخاذی وجود دارد. این مهمترین دلیلی است که عدم توقف ارائه روش‌های دقیق‌تر پیش‌بینی در ادبیات موضوع را علی‌رغم وجود روش‌های متعدد، توجیه می‌نماید. در ادبیات موضوع روش‌های بسیار متنوعی ارائه گردیده است که از مهمترین این مدل‌ها می‌توان به مدل‌های کلاسیک آماری، مدل‌های هوش محاسباتی، مدل‌های فصلی، مدل‌های غیرقطعی و مدل‌های مبتنی بر محاسبات نرم اشاره نمود. امّا این‌گونه از روش‌ها، علی‌رغم تمامی مزایای منحصربه‌فردشان معایبی نیز دارند که گاهاً باعث کاهش مقبولیت آن‌ها گردیده است. از جمله مهمترین این معایب می‌توان به محدودیت خطی‌ بودن در مدل‌های کلاسیک آماری، محدودیت قطعی بودن مدل‌های غیرقطعی، محدودیت تعداد داده‌های مورد نیاز مدل‌های هوش محاسباتی، هزینه‌های محاسباتی بالای مدل‌های مبتنی بر محاسبات سخت و محدودیت ساختارهای پیجیده و چندگانه اشاره نمود. در ادبیات موضوع تلاش‌های فراوانی جهت مرتفع نمودن این نقایص و محدودیت‌ها ارائه گردیده است. در این مقاله، روشی جهت مقابله با محدودیت ساختارهای پیچیده و چندگانه با استفاده از تکنیک‌های تجزیه تجمعی به عوامل اصلی ارائه گردیده است. در روش پیشنهادی، ابتدا سری زمانی مورد مطالعه که اساساً پیچیده و شامل چندین ساختار همزمان متفاوت می‌باشد، به اجزاء تشکیل‌دهنده خود که اساساً دارای پیچیدگی کمتری بوده و ساختارهای کمتری را نیز شامل می‌شود، تجزیه می‌گردد. سپس هریک از این ساختارهای ساده‌سازی‌شده با استفاده از تابع خودهمبستگی آماری به دو دسته ساختارهای خطی و غیرخطی تقسیم‌بندی می‌گردند. هدف اصلی این تقسیم‌بندی تخصیص مناسب روش پیش‌بینی کلاسیک خطی ویا هوش محاسباتی غیرخطی به ساختارهای خطی و غیرخطی به‌منظور جلوگیری از هزینه های بالای مدلسازی و همچنین دوری جستن از مشکل برازش بیش از حد در شبکه‌های عصبی مصنوعی در مدلسازی الگوهای خطی و همچنین مرتفع ساختن محدودیت مدلسازی الگوهای غیرخطی و حصول نتایج نادقیق در مدلسازی الگوهای غیرخطی با استفاده از روش‌های کلاسیک آماری می‌باشد. پس از مدل‌سازی انفرادی هریک از این ساختارها، میزان عدم‌قطعیت موجود در هر دسته ساختار با استفاده از معیار نیکویی برازش، تعیین و سپس ساختارهای غیرقطعی موجود در هر دسته (خطی و غیرخطی) به ترتیب با استفاده از مدل‌های خودرگرسیون میانگین متحرک انباشته فازی و پرسپترون‌های چندلایه فازی مدل‌سازی می‌گردند. هدف این تقسیم‌بندی، مدل‌سازی کامل‌تر الگوهای غیرقطعی موجود در ساختارهای خطی و غیرخطی و نتیجتاً افزایش دقت مدل پیشنهادی می‌باشد. در نهایت نیز یک روش وزن‌دهی بهینه به‌منظور تعیین اهمیت نسبی هر یک از ساختارهای پیش‌بینی‌شده و محاسبه پیش‌بینی‌های نهایی مدل پیشنهادی ارائه گردیده است. نتایج حاصله از به‌کارگیری روش پیشنهادی در پیش‌بینی قیمت جهانی نقت خام که از جمله پیچیده‌ترین سری‌های زمانی در بازارهای مالی هستند، بیانگر کارامدی روش پیشنهادی می‌باشد. نتایج عددی نشان می‌دهد استفاده از روش پیشنهادی عملکرد روش خود‌رگرسیون میانگین متحرک انباشته کلاسیک را تقریبا به میزان 32/70% و 05/52% به ترتیب برای قیمت نفت خام تگزاس و برنت بهبود بخشیده و عملکرد روش پرسپترون‌های چندلایه را تقریباً به‌میزان 26/70% و 83/51% به ترتیب برای پیش‌بینی قیمت نفت خام تگزاس و برنت بهبود بخشید.