经验模态分解(Empirical Mode Decomposition, EMD)是对非平稳信号进行时频分析的理想工具,目前该方法在许多科学和工程领域得到了广泛的应用。然而,EMD在非线性时间序列建模和预测中的应用研究却相对匮乏,相关应用研究尚不深入,没有充分展示EMD的优越性。本文的目的是将基于EMD的混合建模框架更深入地应用到非线性时间序列分析和预测研究中,同时结合商业与金融领域中的预测问题,设计适合的预测模型与方法。本文的主要研究内容如下：本文首先提出一个基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)和支持向量机(Support Vector Machines, S VM)的混合预测模型,同时结合股票价格预测这一金融市场研究中的传统热点进行实证研究。其次,现有基于EMD的混合建模框架及应用研究均未考虑端点效应,针对以上弊端,本文提出抑制端点效应的基于EMD和SVMs的预测建模框架,并从预测准确度的视角比较四种主流的抑制端点效应的方法。经大量数据实验和相关方法的比较,结果证明端点效应对基于EMD的混合建模框架的预测性能有较大的负面影响。在此基础上,本文将斜率法引入传统的基于EMD技术的混合建模框架,并运用较EMD更优的EEMD技术对时间序列进行分解,提出抑制端点效应的基于EEMD和SVM的预测模型对具有高度波动性的航空客流进行预测。再次,本文对基于EMD的时间序列多步预测及预测策略进行研究。(1)针对已有预测策略存在的诸多不足,本文提出一个基于粒子群优化算法(Particle Swarm Optimization, PSO)的变预测步长多输入多输出预测策略(PSO-MISMO),并以人工数据和NN3竞赛数据为预测对象,多种策略为对比方法,从预测准确度、收敛性和训练耗时等方面评估PSO-MISMO策略的实用性。(2)针对现有基于EMD技术的建模框架局限于单步预测应用的情形,本文提出适用于时间序列多步预测的基于EMD技术的建模框架,同时结合国际原油价格预测这一能源经济研究中的传统热点进行实证研究。(3)传统支持向量回归算法因其单输出结构的特征仅能采用迭代或直接策略,而不能采用较以上两种策略更优的MIMO策略进行时间序列多步预测。针对以上弊端,本文提出适用于MIMO策略的多输出支持向量回归算法对时间序列进行多步预测。最后,针对现有研究局限于单值预测的情形,本文从两个不同的研究视角分别提出适用于区间型时间序列预测的方法。(1)在保留区间型数据特征的情形下,凭借多输出支持向量回归算法(Multiple-output Support Vector Regression, MSVR)的多输出结构特征和萤火虫算法(Firefly Algorithm, FA)的高效优化能力,本文提出适用于区间型时间序列预测的基于MSVR和FA的混合模型,同时结合区间型股票价格指数预测这一金融市场研究中的新兴热点进行实证研究。(2)在不保留区间型数据特征情形下,凭借双变量经验模态分解技术(Bivariate Empirical Mode Decomposition, BEMD)对复值序列高效的分解性能和基于EMD技术的建模框架在单值时间序列预测中的优异表现,本文提出基于BEMD技术的建模框架对区间型时间序列进行预测,同时结合区间型电力需求预测这一电力市场研究中的新兴热点进行实证研究。