中国民航的迅猛发展令世界瞩目，民航在国家综合交通运输体系中的比重也不断提升，对国家经济、社会发展和改革开放做出了新的更大贡献。但是，不断新建、扩建的机场和持续增长的航空运输量，也使得困扰中国民航已久的机场噪声问题愈发严重。为了建设绿色的现代化民用航空体系，实现民航业的持续健康发展，迫切需要利用先进的信息技术在监测数据上进行进一步的科学预测，进而为民航相关部门提供决策支持。因此，将预测技术应用于实际噪声预测问题中，具有重要的理论研究价值和实际意义。支持向量回归，具有其它以经验风险最小化原理为基础的算法难以比拟的优越性，同时，由于其具有算法简单、不存在局部最小和维数灾难问题以及泛化能力强等优点，适合于进行时间序列预测，因此，本文使用的时间序列预测方法主要为支持向量回归。在直接进行支持向量回归的基础上，考虑分类的思想，将样本先进行分类处理后，在每个类内部再使用支持向量回归，有效减小样本差异性，能够取得较好的效果。而考虑机场噪声本身，会出现分类标准不清晰以及分类数量无法确定的情况，针对这种情况，并结合聚类分析特点，本文提出了聚类再回归的时间序列预测方法。单一聚类容易受初始化状态和参数影响，而聚类效果对于预测效果的有较大影响，如果聚类效果不佳，反而会加大类内部样本差异，从而使回归时预测偏差加大。为了解决单一聚类算法不稳定的问题，本文提出了聚类集成后回归的算法，采用概率模型的关系矩阵叠加，来对单一聚类效果进行集成。为了验证本文所提出方法的有效性，在常用数据集上进行了实验，并将其应用到机场噪声时间序列预测中。