Los modelos grises han atraído considerable atención como una herramienta de pronóstico de series temporales en los últimos años. Sin embargo, las características lineales de las ecuaciones diferenciales en las que se basan los modelos grises tradicionales a menudo resultan en una precisión predictiva y aplicabilidad inadecuadas al abordar sistemas no lineales complejos. Este estudio introduce un modelo gris no homogéneo regularizado por núcleo de orden fraccionario conforme y sin sesgo (CFUKRNGM) basado en la teoría del aprendizaje estadístico para abordar estas limitaciones. El modelo propuesto utiliza inicialmente un operador de acumulación de orden fraccionario conforme para derivar información de distribución de datos históricos. Luego se formula un nuevo problema de regularización, eliminando así el término de sesgo del modelo gris no homogéneo regularizado por núcleo (KRNGM). La estimación de parámetros del modelo CFUKRNGM requiere resolver una ecuación lineal de un orden inferior al del modelo KRNGM, y se calibra automáticamente a través del algoritmo de optimización bayesiana. Los resultados experimentales muestran que el modelo CFUKRNGM logra una precisión de predicción superior y un mayor rendimiento de generalización en comparación con los modelos KRNGM y los modelos grises tradicionales.