В дисертаційній роботі розроблено архітектуру штучної нейромережі моделі геометричних перетворень, у якій завдяки розширенню вхідного інформаційного базису забезпечується підвищення точності однокрокового і багатокрокового прогнозування суми тренду і основних коливань, що містять, зокрема, непрогнозовані складові процесу. Знайдено метод попереднього опрацювання даних за допомогою нейромережі автоасоціативного типу моделі геометричних перетворень шляхом об'єднання вхідної вибірки даних для навчання і застосування, що підвищило точність передбачень для раніше невідомих даних. Вдосконалено топологію лінійної нейромережі геометричних перетворень шляхом введення в неї додаткових штучних нейромереж узагальненої регресії. Розвинуто метод прогнозування на основі розділення поверхні відгуку на лінійну і нелінійну складові за рахунок відтворення нелінійної складової квадратичним поліномом Колмогорова-Габора. Розроблено програмний комплекс для аналізу та прогнозування часових послідовностей з елементами невизначеності.