时间序列预测方法已经应用到几乎所有预报与决策的领域，广泛地应用在实际中。对这种方法的研究不仅具有理论研究的重要意义，而且一直是国内外学者研究的热点和难点。在支持向量机模型中，成功地应用了结构风险最小化、核函数映射和凸二次规划等技术，有效地解决了在传统机器学习中出现的维数灾难和局部极小等问题。而最小二乘支持向量机(LS-SVM)作为支持向量机(SVM)的一个改进简化模型，在保证预测精度不减弱的情况下，具有比支持向量机运算更加简化的优点。本文针对LS-SVM中的一些问题进行了研究，主要工作如下：①提出了经验模态分解与LS-SVM组合预测的方法，结合建筑能耗预测的实际应用，该方法的主要思路是把能耗数据形成的时间序列用EMD方法分解成多个本征模式分量，然后对每个本征模式分别建立LS-SVM模型进行分开预测，最后将所有本征模式分量对应的LS-SVM模型预测结果进行求和。在建筑能耗预测的实验中，该方法对非平稳的时间序列具有较好的预测效果，预测精度优于传统单一的LS-SVM、SVM和BP神经网络。②为了解决LS-SVM模型在时间序列预测应用中的参数寻优问题，提出了一种参数选优方法，主要思路是将训练数据分成两组，分别作为选优过程中的训练数据和测试数据，采用结合全局寻优与局部寻优的免疫文化基因算法来进行参数选优，全局寻优采用免疫克隆选择算法，局部寻优使用Baldwin学习增强机制来增强优秀个体适应度的方法加快收敛速度来完成。并用Lorenz混沌时间序列对该方法进行了测试，证明了本文参数选优方法的可行性与优越性。③对于一些预测精度与实时性都要求较高的预测应用领域，传统的离线预测模型已不能很好的满足要求，在线预测才能更好的满足应用需求。因此本文提出了一种改进的LS-SVM在线预测方法，该方法采用有选择性的增量学习和快速剪枝算法。新样本到来时，增量学习方法是递归地更新支持向量，避免了直接求逆更新支持向量机，预测所需时间大大减少。为了减少增量学习的次数，本文中根据新样本的预测误差，对样本有选择地进行增量学习，并在支持向量机规模达到一定数量时，用快速剪枝策略对最早加入的支持向量进行剪枝操作。该方法在保证了预测精度的同时，预测速度较快，也更好地满足了实际应用要求。