随着社会的进步和城市现代化进程的不断实现，我国航空事业持续发展。航空运输给城市带来了繁荣和便捷，但随之而来的还有一系列的环境问题，首当其冲的是噪声问题。为了更好地规划机场布局，合理地构建航班班次，有效地预防噪声，需要对机场噪声时间序列进行研究。因此，本文主要针对机场噪声时间序列的分析和预测方法开展研究的工作。本文首先介绍时间序列的概念和常用预测模型及其适用范围，在分析了众多模型特点的基础上，提出一种基于奇异谱分析的机场噪声时间序列预测模型。该模型将机场噪声时间序列按照奇异谱分析预测的方法进行奇异值分解，得到主分量和经验正交函数，分析其趋势和振动的特点，然后选择适当的特征向量进行序列重构，通过线性重复公式建立预测模型，并通过状态转移矩阵确定残差偏离方向，最后根据残差的偏离方向和贡献率将重构模型忽略的次要成分计算进去，对预测值进行修正。在某机场实测数据中的应用表明，该方法比原先的SSA预测算法有着更高的准确性。然而鉴于实际问题的复杂性，时间序列数据通常同时具有线性和非线性两种特征，单纯的线性模型不能够很好地捕捉这种复合特征。因此，有必要将线性模型和非线性模型联合起来,构成一种新的模型，用于时间序列预测问题的研究。灰色预测根据少量数据，建立灰色微分模型，寻找规律，计算简单。而支持向量机是一种新型的机器学习方法，它根据有限的样本信息，在模型的复杂度和学习能力之间寻求最佳折衷，成功地解决了高维问题和局部极值问题。介于两种算法的优势，本文在结合机场噪声时间序列的特点，提出基于GM_LSSVR的机场噪声时间序列预测模型。该模型将机场噪声时间序列分解成趋势项和剩余项，然后分别建立趋势项的GM(1,1)模型和剩余项的LSSVR模型，用于机场噪声预测值的计算。在某机场实测数据中的应用表明，该方法的准确度明显优于其他预测方法。