时间序列预测技术诞生于20世纪70年代，是利用被观察到的以时间为序排列的数据对事物未来发展的状态进行预测和评估的一种预测技术，即由已知推测未知、由过去推测未来。这一技术发展迅速，取得了丰硕的科研成果，并被应用于众多领域，如气象预测、经济走势预测等。通常被预测的对象往往受到诸多不确定因素的影响，因而产生的时间序列也表现出强烈的非线性特征。传统的基于统计理论的线性预测模型对于这类序列预测效果不好，而以人工神经网络算法为代表的智能预测算法的出现为解决这一问题提供了有效途径。目前，针对基于神经网络算法解决非线性系统的时间序列预测问题，国内外学者都做了大量有意义的研究工作，并取得了丰硕成果，但该领域仍存在以下问题：1、预测网络的拓扑结构主要依靠经验或实验的方式来确定，缺少结合序列特点确定拓扑结构方面的研究，同时也缺少一种专门针对季节性时间序列预测的神经网络模型。2、为应对预测对象的多样性，经常利用组合预测的方法，但实际应用中非专业人士很难按照组合预测的理论选择合适的候选模型组合。如何实现预测模型的自适应选择，是一个亟待解决的问题。本文以山东省科技发展计划项目《机场区域智能化鸟撞预警防范系统》作为选题背景，针对当前序列预测研究中存在的以上问题，并结合项目实际需要展开相关研究，本文的主要工作及创新点如下：1、针对季节性明显的非线性系统时间序列，结合统计领域的季节分析相关方法，提出了一种专门针对季节性时间序列预测的神经网络预测模型。模型主要从网络的结构和训练样本的处理两个方面对于传统的BP神经网络进行改造，根据季节性确定网络的结构和训练样本的模式，从而使网络由针对全部样本的拟合转换为针对季节的各个模式的拟合。经过试验证明，与普通神经网络方法相比，该方法对于季节性序列的针对性更强，精度有效提高。2、针对不同非线性系统时间序列的差异性和多样性，提出一种自适应的组合预测模型。模型针对一般组合预测理论需要精确的挑选候选模型的这一弊端，提出利用神经网络来自适应的调整不同模型的混合权重。通过给予不同子模型合适的混合权重来取代模型选择的步骤。经过试验证明，自适应混合预测算法对于不同的序列均有较好的适应性，在保证预测精度与最佳混合相近的情况下，降低了对于预报人员专业性的要求，使组合预测技术可应用于实际项目中。最后，基于以上两项理论的创新工作，结合鸟情预测项目实际需要，设计并实现了鸟情预报原型系统。