时间序列存在于客观世界的方方面面,许多数据皆可看作是时间序列数据。随着计算机技术和统计手段的快速发展,分析时间序列的方法也是日新月异,模型的选择以及预测效果的优劣取决于数据本身的特征。时间序列的预测研究如今被越来越多的研究者关注。预测是决策的基础,所以时间序列预测一直是实用性很强的研究领域,对决策者进行决策有着重要的参考价值。决策是预测的延续,预测的目的就是为决策提供依据,预测越科学合理,决策就越正确可靠。虽然关于时间序列的预测很多学者已经做了大量研究,但仍然需要不断改进模型来提升预测性能和准确度,尤其是在机器学习各类算法迅速发展的当下。鉴于时间序列的预测效果有时并不能达到实际应用的精度要求,所以本文提出一种传统分析模型和机器学习模型结合的新的模型,从而提高序列预测精度。为了进一步改善时间序列模型的预测效果,本文深入研究了ARIMA模型、支持向量机、长短期记忆神经网络、以及长短期记忆神经网络和ARIMA相结合模型等模型,并且运用了这些模型对南极气温湿度时间序列数据进行了建模预测,并进行了误差分析对比,在序列数据选择方面,阅读了大量文献,综合考量了不同模型对于不同类数据的适用度选择了气象数据。基于复杂问题分治思想和机器学习逐渐优化的方法,可将原本复杂的序列分解成很多个较简单、变化较规律的子序列,再分别针对这些子序列采用相应的方法分析,最后将多个子序列的预测结果进行融合形成最终预测。本文拟先用HP高通滤波器将序列分解为线性的趋势项和非线性的周期项,然后用ARIMA模型对趋势项进行建模预测,用机器学习融合模型对周期项进行建模预测,将两项的预测结果进行整合,得出原始序列的最终预测结果。相比于前人的研究,本文的创新之处在于:一是在常用的长短期记忆神经网络模型中加入了一层自注意力层,创新性的提出了一种新模型——ARIMA-LSTM-SAM模型。详细比较了ARIMA-LSTM-SAM模型与其他模型对气温序列的预测效果。二是将本文提出的模型运用到其他类型的数据中,进行了实验,结果显示提出的模型预测精度较高,说明了模型具有较好的泛化性能。