Modelos de previsão de séries temporais são criados para atender as demandas da diversos setores da sociedade, como na indústria, no ramo de serviço e na área agrícola. Tais modelos são usados, por exemplo, para determinar estoque de insumos, logística de produtos e previsão do tempo. Neste contexto, esta tese propõe o modelo GPFIS-Forecast+, que permite a obtenção, de forma automática, de um sistema de previsão interpretável linguisticamente. O GPFIS-Forecast+ tem como ponto de partida o GPFISForecast desenvolvido anteriormente e fruto de uma hibridização de técnicas de programação genética e de sistemas fuzzy tipo 1. A base de regras do sistema de inferência fuzzy tipo 1 (SIFT1) é otimizada por meio da Programação Genética Multigênica. Na construção do modelo GPFIS-Forecast+, faz-se uso de conjuntos fuzzy tipo 2, que proporcionam ao modelo maior flexibilidade e, segundo a literatura, uma maior capacidade de lidar com dados ruidosos. Adiciona-se ainda a possibilidade de utilização de variáveis exógenas para aumento da variabilidade genética no processo de otimização estocástica. Os resultados da comparação entre os modelos GPFIS-Forecast e GPFIS-Forecast+ mostram que, em geral, o segundo apresenta os menores erros. Em comparação com outros modelos da literatura, observa-se que o o GPFIS-Forecast+ apresenta maior acurácia para séries sem tendência e sem heterocedasticidade.