近年来,时间序列预测在许多领域得到了广泛应用。一般地,每一种时间序列预测方法都无法解决任意时间序列的预测问题,仅能够对具备某些特性的时间序列进行合理预测。因此,为时间序列选择合理的预测模型成为获得可靠预测信息的关键。本文主要针对时间序列预测模型选择机制展开研究。首先,构建时间序列特征描述体系,对幅值连续性、长记忆性、季节性和趋势性四个特性展开分析。随后,构建时间序列特征分类体系,将时间序列分为九个类别。此外,分析基于统计信号处理的时间序列预测算法特性,从理论角度总结不同预测模型适用的时间序列特征及类别,利用公开数据集验证理论分析结果,完成预测模型与时间序列类别之间的映射关系的最终构建。上述研究为时间序列预测模型定性选择机制的构建奠定理论基础。其次,构建可定制化的时间序列预测模型适用性量化评价指标体系,覆盖六个不同适用性评价角度,并完成了时间序列预测模型定量选择机制的构建。进而,提出包含定性选择和定量选择两个串行模型选择环节的时间序列预测模型选择机制。其中,定性选择机制通过时间序列特性分析将时间序列归入分类体系中对应类别,并将该类别时间序列映射得到的各预测模型作为候选预测模型。而定量选择机制针对当前预测场景,定制预测模型适用性量化评价体系,对候选预测模型进行适用性量化评价和比较,实现最优模型的选择。此外,针对应用中时间序列可能出现的特性变化,提出一种模型适用性判断及决策建议的反馈机制,针对不同的时间序列特性变化程度给出交互式决策建议,保证预测结果始终准确而可靠。最后,面向实际时间序列预测应用需求,通过Python内嵌R进程的混合编程方式,利用Python完成软件架构搭建和界面设计,利用R实现数据处理、分析及算法功能。最终,完成具备时间序列特性分析、最优模型选择、预测及结果评价的时间序列预测应用软件的开发和验证。实验结果表明,本文所提出的时间序列特性分类体系、预测算法与时间序列映射关系、最优模型选择机制等均具备良好的应用适用性,能够合理实现时间序列最优模型的选择和更新。