随着我国经济的飞速发展以及全球化的加速进行,在工业生产、经济活动、气候变化、能源生产分配、交通运输等各个领域中都产生了大体量、多类别、多维度的海量数据。其中,时间序列数据能够客观有效的反映各领域中不同现象和活动的变化过程,其背后蕴含了丰富的演变规律。对这些时间序列数据进行分析和研究便可从中学习和总结出相关的数据变化规律,而若能有效的掌握这些规律并且将其运用于实际的生产生活等活动中,便可实现优化资源配置、节能降耗、风险规避、优化决策等目的,具有重大的现实意义和实用价值,这也是精准时效的时间序列数据预测的基础目标。而随着科学技术的飞速发展,我们即将步入万物互联的物联网社会,这势必将带来更多类型和更大体量的时间序列数据,时间序列预测将具有数据样本海量化、数据类型多样化、预测目标多元化等特点,这也使得时间序列预测成为了一项极具挑战性的研究。由于时间序列数据的变化既具有一定的周期性规律,又受到各类随机性因素的影响,因此其波动往往具有复杂的周期性、随机性和非线性的特点,这使得准确且具有时效性的时间序列预测变得更加困难。而传统的时间序列预测方法在面对现代化时间序列数据迸发式增长所带来的体量大、类别多、变化快的挑战时,越来越难以满足应用需求,这对高精度、高稳定的时间序列预测方法提出了新的挑战。为了提高时间序列预测方法的预测效果和应用价值,本文结合各领域实际应用,针对时间序列预测中的一些关键性问题进行了深入研究,主要研究内容和创新工作如下:（1）突破传统时间序列预测方法在特征数据集选取方面的限制,提出构造溯源数据,并提出基于溯源数据的时间序列预测方法。针对不同时间序列预测应用场景,深入挖掘其数据变化波动的内在机理和原因,从多个维度进行数据采集和特征提取,在大量已经证实与特定时间序列数据变化相关或具有潜在相关性的数据中进行特征筛选从而构建溯源特征,为预测模型提供全面、立体的数据支撑。通过对美国缅因州、德克萨斯州的电力负荷数据以及澳大利亚新南威尔士州的电价数据进行案例研究,利用基于溯源数据特征的预测方法与基于传统特征的预测方法进行对比,结果表明溯源数据的引入能够有效的提高电力负荷预测和电价预测的预测精度。（2）提出基于交叉多模型和二次决策机制的时序预测方法,该方法针对传统连续型训练数据集不能反应时序数据跨时段的变化效应以及基于相似日的离散型训练数据集不能有效的捕获时序数据在短期内的波动趋势的问题,提出构造交叉训练集,从水平时序方向和垂直时序方向进行多个训练数据集的构建,使得该交叉训练集既能够反应时序数据跨时段的波动规律,又能够捕获其短期内的波动趋势。基于交叉训练集构造交叉多模型并进行二次学习,提出二次决策机制,构造多决策模型,有效的提高了该方法的泛化能力和应用范围。基于新加坡日最高负荷、澳大利亚新南威尔士半小时负荷、美国新英格兰地区日总负荷以及美国加利福尼亚州交通流量数据进行的案例研究显示,该方法具有较高的准确性和稳定性。（3）为了提高多模型预测结果集成的精度,提出了自适应权重分配策略对多模型的输出进行加权集成,根据验证集上不同独立预测模型的预测精度进行权重计算,剔除模型输出结果的极值后进行集成。该方法与传统的平均集成策略、基于性能的集成策略和竞争择优集成策略相比,具有对异常值不敏感、集成精度高的优势,对多模型进行自适应权重分配能够有效的降低多模型集成结果的预测误差。基于美国缅因州日最高负荷预测数据的案例研究表明,本文所提出的自适应权重分配策略能够为多模型预测方法提供高精度、高鲁棒性的集成结果。（4）对特征数据集选取、训练集构造、模型构建和多模型集成四个层面的创新工作进行有机结合,提出基于溯源数据和交叉多模型的时间序列预测方法。在特征数据集层面,构造溯源特征数据集,旨在系统全面挖掘造成时序数据波动的源头因素,通过揭示其波动的内在机理为预测模型提供立体、丰富的波动规律。在训练集层面,交叉训练集反应了时序数据在不同方向的波动规律进而提供了立体、多样的样本信息。在模型层面,二次决策机制的应用有效的提高了决策阶段模型的预测性能,提高了该方法的泛化能力,也扩展了其应用范围。在决策多模型集成层面,应用自适应权重分配策略,使得性能更好的独立模型得到更高的权重,提高了集成结果的准确性和稳定性。