在日常的生活以及大数据的实际应用中,通常需要对观测系统和实际生产中的数据进行记录,这些按照时间先后顺序记录的数据,就是基础的时间序列。当在系统中同时观测多个变量或同时记录多个数据,得到就是多元时间序列。研究时间序列的目的就是希望通过对时间序列的结构特征进行分析,挖掘其内部信息规律,最后能够正确预测时间序列的未来走向,并实现通过一定的人为行为进行调节,让系统按照期望的轨迹运行。相比一元时间序列,多元时间序列预测能够提供更多的信息,因此,建立一个合适的应用于多元时间序列的模型尤为重要。为此,本文提出利用核主成分分析（KPCA）对多元时间序列进行降维,并结合改进灰狼算法对回声状态网络（ESN）进行优化的组合预测模型,本文主要做了以下研究:由于在多元时间序列的众多观测变量之间往往存在着相关性、冗余性,通过核主成分分析提取出数据主成分,不仅去除了时间序列中有相关性的变量,而且余下的变量中仍然储存着大部分原始数据信息。针对传统的前向神经网络容易陷入局部最优、收敛速度较慢等缺点,本文选择回声状态网络作为研究核心,并通过实验仿真验证,回声状态网络的预测精度优于传统的BP神经网络。使用改进灰狼算法优化回声状态网络。由于储备池参数对于回声状态网络精度具有很大影响,本文采用灰狼算法对回声状态网络储备池参数进行优化。针对灰狼算法的种群差异性差、收敛速度慢等劣势,使用反向学习策略和非线性收敛因子改进灰狼算法,最终建立组合预测模型。使用建立的组合预测模型对空气质量指数AQI和股市收盘价两个典型的多元时间序列数据进行仿真验证,并与其他的预测模型进行对比,通过实验结果表明本文提出的组合预测方法在误差、评价性能指标、可靠性和置信区间等方面均优于改进前和单一的预测模型。