时间序列预测一直是人们关注的热点问题,通过精确的预测结果,人们可以提前安排工作,预防不利情况发生,对于制定政策有着非常重要的意义。随着科学技术的不断进步,时间序列预测方法得到了很大的发展,目前常用的时间序列方法有传统的时间序列预测方法和基于机器学习的预测方法。这些方法使用方便,操作简单,预测精度高,在业界得到了广泛的应用,但是这些方法用在不同的数据集中结果精度差距较大,不具有通用性。因此,目前很多研究者采用组合预测方法和混合预测方法来提高这些预测方法的通用性,通过将不同的传统时间序列预测方法和基于机器学习的预测方法相结合,充分利用各个模型的优点,尽可能地提高时间序列预测的精度。本文首先提出一种新的时间序列预测方法BP-SARIMA-ANFIS,该方法组合了反向传播神经网络(BP)、季节性差分自回归移动平均模型(SARIMA)和自适应模糊神经网络系统(ANFIS)。该方法首先用BP、SARIMA和ANFIS对原始时间序列数据进行预测,然后取三种方法得到的预测结果的加权平均值。权值系数在组合预测模型中有着非常重要的作用,本文采用微分进化算法(DE)优化BP-SARIMA-ANFIS方法的加权系数。通过对澳大利亚新南威尔士州的电力负荷数据进行模拟,并将BP-SARIMA-ANFIS方法的预测结果与其它三种单一方法的预测结果进行对比,结果表明BP-SARIMA-ANFIS方法有效地提高了电力负荷预测精度。本文还提出一种基于改进的灰色模型和BP神经网络的GGNN混合预测方法。该方法将四种改进的灰色模型的拟合值作为BP神经网络的输入,经过反复的训练和拟合得到最终的预测值。该方法采用遗传算法(GA)对GGNN方法的权重和阈值进行优化。通过对历年中国石油消费数据的模拟和实验,并将GGNN方法的预测结果和其它六种方法的预测结果进行对比和分析,验证了GGNN方法的有效性。核极限学习机(KELM)是基于核的学习方法,核函数在核极限学习机中占有举足轻重的地位。不同核函数蕴藏的几何度量特征各异,选择不同的核函数导致核极限学习机泛化能力存在差异。本文提出了一种新的组合核函数,该组合核函数将RBF和UKF核函数进行结合,并将该组合核函数应用到核极限学习机中(Mixed-KELM)。本文使用澳大利亚新南威尔士州、昆士兰州以及维多利亚州的电力负荷数据验证Mixed-KELM方法的有效性。电力负荷受众多因素的影响,往往呈现出一定的随机性。因此在使用Mixed-KELM方法对电力负荷预测之前,本文先用经验模态分解(EMD)对原始电力负荷数据进行降噪处理。实验结果表明,与RBF构成的KELM方法(RBF-KELM)、UKF构成的KELM方法(UKF-KELM)以及Mixed-KELM方法相比,EMD-Mixed-KELM方法的预测结果精度更高。核函数在支持向量机中占有极其重要的地位,是支持向量机理论成熟发展的关键。在利用支持向量机进行分类和回归时,如何选择合适的核函数,是获得较好分类和逼近效果的基础和前提。同时本文还将该组合核函数应用到最小二乘支持向量机(LSSVM)中,提出了一种新的EMD-Mixed-LSSVM预测方法。该预测方法先使用EMD对时间序列进行降噪处理,再将处理后的数据输入到LSSVM中,在LSSVM中使用本文提出的组合核函数进行运算。本文使用该方法预测了澳大利亚的电价数据,并将EMD-Mixed-LSSVM方法的预测结果和其它方法的预测结果进行对比,结果表明,EMD-Mixed-LSSVM可以有效地提高时间序列预测的精度。本研究的主要成果及贡献如下所示:(1)提出了一种基于BP神经网络、SARIMA和ANFIS的组合预测方法,并对预测方法的有效性进行了验证。(2)提出了一种基于改进的灰色模型和BP神经网络的混合预测方法,通过对中国石油消费数据的预测验证了该算法的准确性。(3)提出了一种基于组合核函数的核极限学习机预测方法,通过对澳大利亚三个州的电力负荷数据进行预测,实验结果表明该方法可以提高时间序列预测的精度。(4)提出了一种基于组合核函数的最小二乘支持向量机预测方法,通过对澳大利亚的电价数据进行预测,表明了该方法的有效性。