时间序列是一种重要的时态数据对象种类,在众多领域内都有出现,例如金融学、物理学、生物学、医学和气象学等。对于时间序列的预测有着极大的研究意义和广泛的应用价值。由于影响时间序列的因素众多,传统的时间序列预测方法能力有限,越来越多的研究者着眼于将机器学习的方法引入时间序列预测之中并且取得了突出的成绩。然而,当前时间序列增长速度迅速,大规模时间序列普遍出现,这使得基于机器学习的时间序列预测面临着一系列的新挑战。这些挑战中最为关键的一点是对高维数据的快速处理问题。解决这一关键的问题对于基于机器学习的时间序列预测性能提高有着重要的意义。而这一关键问题的解决离不开特征选择技术和快速机器学习技术。本文工作集中于高维数据的快速处理这一基于机器学习的时间序列预测关键技术的研究,其贡献主要为以下三个方面:(1)提出了一种核空间中的二分类特征选择框架本文提出了一种核空间中的二分类特征选择框架。在该框架下,特征首先投影到核空间中,然后在核空间中构造一个二分类的任务。当训练完核空间中的二分类器后,二分类器的法向量反映着特征的重要程度,特征可以根据该二分类器的法向量进行选取。为了达到的有效的特征选择目的,本框架对二分类器的法向量加以?1-范数约束,使其满足稀疏性的要求。同样,本框架也可以通过流形正则化技术自然的拓展到处理半监督特征选择的问题。此外,如何有效消除所选择特征之间的潜在冗余度也在文中进行了讨论。最后,文中对于所提方法给出了理论的证明以保证其适用性。在六个标准数据集上充分的实验证明了该框架具有较高的性能。(2)提出了一种基于距离的快速多核学习方法在本文中,我们提出了一种快速多核学习方法基于距离的多核极限学习机。该方法是一种高精度的两步多核学习方法。具体来说,基于距离的多核极限学习机首先将多个核矩阵投影到一个新的空间,在此空间中新样本是通过不同原始样本间的距离信息重构出来的。此后,它用新空间中的样本进行了带?2-范数约束的最小二乘回归。回归函数的法向量将作为多核矩阵的组合系数,依据该组合系数基于距离的多核极限学习机将多核矩阵进行加权组合构成新的核矩阵。最后,这个新的核矩阵被用在极限学习机之中进行训练和测试。充足的实验结果证明了基于距离的多核极限学习机方法在分类、预测精度上和计算时间开销上较之前方法都有显著的性能提高。(3)将基于机器学习的时间序列预测关键技术应用到商业智能模型之中本文将所研究的基于机器学习的时间序列预测关键技术应用到商业智能模型之中,构建了一个股票交易决策建议系统。在系统中基于机器学习的时间序列预测与基于震荡盒理论提出的交易边界模型得到了有效的结合。具体来说,首先使用核空间中的二分类特征选择框架从股票历史数据中选择关键性的特征,然后将这些关键特征使用到快速多核学习方法之中对股票时间序列的历史数据进行学习并预测出股票时间序列未来可能达到的值,接着使用根据交易边界模型制定的交易策略给出交易决策建议。通过在大量真实股票历史数据上的实验测试,检验了本文提出的股票交易决策建议系统的有效性与实用性,不仅可以获得较高的投资收益,而且还能保证比市场更低的投资风险。