Representar y analizar la complejidad de los modelos construidos por datos es una tarea difícil y desafiante, por lo tanto, surge la necesidad de nuevas técnicas más efectivas, a pesar de las numerosas metodologías propuestas recientemente en este campo. En el presente documento, la idea principal es crear sistemáticamente una estructura anidada, basada en un mapa cognitivo difuso (FCM), en la que cada elemento/concepto en un nivel de mapa superior se descompone en otro FCM que proporciona una representación más detallada y precisa de datos de series temporales complejos. Esta estructura anidada se optimiza aplicando algoritmos de aprendizaje evolutivo. A través de la aplicación de un proceso de optimización dinámica, toda la estructura anidada basada en FCM se reestructura para derivar relaciones importantes entre conceptos de mapa en cada nivel de anidación, así como para determinar los pesos de estas relaciones en función de las series temporales disponibles. Este proceso permite descubrir y describir relaciones ocultas entre conceptos importantes de mapa. El documento propone la aplicación del enfoque anidado sugerido para la predicción de series temporales, así como para tareas de toma de decisiones relacionadas con la predicción de consumo energético de electrodomésticos.