时间序列是指按照时间顺序排列的一组数列。在实际问题中,系统一般都是非线性的,由系统产生的时间序列也几乎都是非平稳的。对系统进行机理性建模往往比较困难,可以基于系统输入输出的观测数据,即时间序列建立模型,并对未知的数据进行预测。本文首先介绍了各种时间序列预测方法的建模预测原理,通过分析和比较,发现统计方法、灰色预测和神经网络各有优势,但是不能满足对复杂时间序列精确预测的要求,提出了支持向量机的方法。本文归纳了基于支持向量机的时间序列预测模型的设计方法,并以上证指数时间序列预测为例,通过仿真研究表明,支持向量机是一种有效的时间序列预测方法。支持向量机的参数对其学习能力和泛化能力有很大影响,到目前为止这方面还没有统一的理论指导,人们通常采用大量实验,人工选取满意的解,但这种方法耗时且获得的参数也不一定最优。交叉验证、经验公式和遗传算法也各有不足。针对支持向量机参数选择问题,本文引入了粒子群优化算法,粒子群优化算法简单有效,但容易陷入局部最小,所以采用了量子粒子群优化算法,量子粒子群优化算法全局搜索能力更强,但收敛速度不快。针对量子粒子群优化算法收敛速度慢的问题,提出了一种改进的量子粒子群优化算法,以太阳黑子时间序列为例,仿真结果表明,改进的量子粒子群优化算法全局搜索能力更强、收敛速度更快,预测误差更小,是一种有效的参数优化方法,可用于支持向量机对时间序列的预测。