时间序列是随机事件按照时间顺序的变化发展过程,目前,时间序列已被广泛用于水文、气象学、地震预测、经济学及军事等诸多领域,具体包括温度变化、个人健康数据、期货股票价格、广告数据等。时间序列分析是时间序列领域最早出现、最普遍的方法,它是一种对某一时间序列进行观察、分析、寻找变化发展规律的方法。常见的时间序列分析包括AR模型、MA模型及它们的变体等。随着云计算的发展,时间序列的数量正在迅速膨胀,大量的数据使得时间序列分析工作困难加大。但是传统的时间序列分析方法有一定的局限性,即均存在不能对变量进行选择的缺点,从而使模型比较复杂,除此之外,参数估计的准确度不高,进而导致预测效果不佳。因此如何有效地分析时间序列并得到简单有效的模型,使其产生预测价值已经成为一个热门话题。故本文针对时间序列从两个方面来进行分析研究,包括:（1）针对偏自相关系数p阶截尾,自相关系数p阶拖尾的观察序列,本文提出了一种改进的带有偏自相关系数的自适应弹性网（AEN-PAC）模型。该模型根据偏自相关系数估算权重并将其加入自适应弹性网的惩罚项中,达到改善弹性网的目的,使得模型可以对时间序列数据进行变量选择和参数估计,同时时间序列之间的相关性得以解释。除此之外,我们还对时间序列进行特殊的分段预处理,即在建模前根据模型阶数对所有数据进行分段处理,再根据分段数据建立分段AEN-PAC模型。为了提出一种有效解决模型优化问题的方法,我们分别对AEN-PAC模型和分段AEN-PAC模型建立优化算法。最后,仿真研究和实证分析表明,我们的模型与自适应弹性网等模型相比,变量选择和参数估计更为准确,并且我们的模型拟合误差和预测误差更小,说明我们的模型在时间序列预测方面可行且具有优势。（2）针对偏自相关系数q阶拖尾,自相关系数q阶截尾的时间序列,本文提出了一种改进的带有自相关系数的自适应弹性网（AEN-AC）模型和分段AEN-AC模型。仿真研究和实证分析的结果说明,我们提出的AEN-AC模型相较对比模型具有较准确的变量选择和参数估计结果,因此预测效果更佳。而分段AEN-AC模型可以更好地对时间序列的起伏情况进行预测,且在训练集上的拟合误差和测试集上的训练误差较小,进一步说明我们提出的模型在时间序列预测方面表现较好。本文针对时间序列数据,提出了两类新的自适应弹性网模型。通过将相关系数纳入自适应弹性网的权重,解决了传统时间序列分析不能进行变量选择的问题,从而得到简单有效的回归模型。根据仿真研究和实证分析,本文的模型对于时间序列的预测是可行的,且预测效果相较自适应弹性网等模型较好。