时间序列预测是时间序列分析的应用之一,通过对大量的观测数据进行分析,能够预测出数据在未来的发展趋势,以便对将要发生的事件进行控制。传统的时间序列分析是从纯数学的角度出发对数据进行分析,但是由于实际应用中的时间序列具有不规则、混沌等非线性特征,所以很难对系统建立理想的模型。人工神经网络具有自组织、自学习以及非线性逼近能力,所以将人工神经网络用于时间序列预测能得到一个理想的预测模型。本文首先介绍了时间序列预测的基本概念、方法、分类以及预测模型,并在研究小波变换用于时间序列消噪的同时,着重分析了人工神经网络模型及其用于时间序列的优点；然后针对人工神经网络结构种类多的特点,重点研究了递归神经网络,接着实现了一个用于时间序列预测的递归神经网络模型,并用太阳黑子数据集对递归神经网络模型进行测试实验,再与BP神经网络模型实验结果进行对比；在此基础上,研究了AdaBoost集成学习算法在时间序列预测中的应用,实现一个以递归神经网络模型为基预测模型的集成预测模型的性能,并用太阳黑子数据集对其进行测试,分析不同集成度下集成预测模型。最后,用隧道烟雾浓度的数据集对集成预测模型进行测试,并将预测数据的烟雾浓度等级与真实数据的烟雾浓度等级进行对比,验证集成预测模型的可行性；实验表明,集成预测模型可以用于隧道烟雾浓度等级的预测,为隧道安全控制提供支持。