时间序列预测能够为人们提供很好的决策支持,因此时间序列的预测在众多领域中得到了广泛应用。近几十年来,有大量的科研人员在研究时间序列分析模型,也在不断的向分析模型中注入新的方法与思想。随着机器学习技术的兴起,利用机器学习进行时间序列的预测也得到了快速的发展。但时间序列的预测对于满足实际应用还远远不足,还有许多问题有待解决。本文征对时间序列的特点,将时间序列数据转换为监督学习需要的数据类型;再利用多种机器学习模型对转换后数据进行训练与预测;最后利用合适的结合策略将不同的预测模型进行组合,得到最终预测结果。本文针对大数据集和小样本集二种不同的时间序列集合,采用了完全不同的方法构建混合预测模型,并且都与单一模型进行比较,验证混合预测模型的有效性。本文的研究工作主要有以下三个方面的贡献:(1)本文结合数据的特点,将时间序列数据转换为监督学习数据,再利用多种机器学习模型对数据进行训练与预测,最后在大数据样本集上提出利用支持向量回归机(SVR)对多种模型进行结合,对比传统单一模型与权重融合的方法都具有较好的实验效果。(2)本文在小样本时间序列数据上,将小样本的多元时间序列转换成了监督学习需要的数据结构,并根据具体数据特点(时间序列具有一定的规律性,多元时间序列之间存在一定的关系),进行了多次数据的转换,以最大化的利用数据本身特点,充分发挥数据特点,便于之后提高机器学习效果。(3)利用不同的模型对转换后的小样本数据进行训练与预测,最后再对预测结构进行融合。为了进一步提高小样本时间序列的预测精度,本文结合数据特点对小样本数据进行了扩充,利用多个小样本,通过挖掘小样本时间序列之间的关系,得到了一个相对较大的时间序列样本,并利用多种模型对扩充后的样本进行了训练与预测,再将多种模型的预测结果进行融合,最后将扩充数据方法的预测结果与不进行扩充方法的预测结果进行融合,使得精度得到2次提高。实验证明,该方法具有较好的效果,并在提供该小样本时间序列数据集的竞赛活动(2019年第九届“华为杯”中国大学生智能设计竞赛)中获得了该问题第一名的成绩。