时间序列是按照时间的顺序记录的一列有序数列。人们自古以来就有着对时间序列进行分析的需求。从古埃及起,人们就根据尼罗河的涨落的时间规律来计算农业生产的时机。随着技术的不断发展,科学水平的不断提高,研究领域的不断拓广,人们对时间序列分析的需求也日益增强。其中对时间序列模型的拟合和预测是人们十分关注的重点之一。时间序列的数据本身也朝着高维度,强随机性的方向发展。随着金融学,气象学等学科的发展,相关领域所产生和积攒的数据越来越庞大,而这些数据有许多都是时间序列数据。于是,时间序列数据挖掘(time series data mining TSDM)便应运而生,成为数据挖掘和时间序列分析领域的一个重要分支。数据挖掘技术作为一种综合了统计学,随机过程,计算机,人工智能,微分方程等各种学科,并涉及经典算法,遗传算法,神经网络,小波分析等各种方法的技术,将会成为各个学科中人们处理海量数据的有效手段。时间序列数据挖掘研究主要包括六大方面。由于与传统的研究的高度一致性,时间序列预测,成为了时间序列数据挖掘的一个重要方向。随着研究的深入,时间序列预测的数据挖掘方法被越来越多的应用到了实践当中。传统的方法需要检验,新的方法需要被引入。本文主要对以下几个方面进行了探讨与研究:1、本文总结概括了时间序列预测的几个经典模型,并对它们进行了相应的分析和比较。2、在前人的基础上,探讨了利用微分方程进行时间序列预测建模的新方法,建立了新的数据挖掘模型。3、针对所建立的模型,给出了相应的算法实现的方法。4、利用sas 9.2软件,分别使用所建立的模型和经典方法对金融时间序列数据和科学观察时间序列数据进行拟合预测并比较结果。