近年来在线时间序列分析和预测技术逐渐受到国内外研究者的重视,成为一个具有重要理论和应用价值的研究热点。基于在线支持向量回归(Online Support Vector Regression, Online SVR)的时间序列预测方法凭借其良好的统计理论基础和应用效果,已经成为时间序列分析技术研究领域的主要发展方向,并逐步在各个应用领域得到推广。Online SVR算法作为一种在线回归建模方法,能够实现模型在线动态更新,但是,其算法计算复杂度较高,还难以充分满足现实应用中各类在线预测问题对于效率的要求。鉴于此,针对核函数类型及样本规模对于算法预测性能的影响,本文从核函数组合、样本缩减两个方面开展基于Online SVR在线时间序列预测方法及应用的研究。论文的主要研究工作包括以下几个方面的内容:1.针对不同类型核函数对于在线时间序列预测精度的影响,提出一种基于全局和局部核函数组合的Online SVR预测方法。该方法利用全局核函数良好的趋势拟合特性和局部核函数较强的邻域非线性逼近能力,提高在线时间序列预测精度。实验表明,采用该方法可以获得较单一特性核函数更高的预测精度。2.针对核函数组合Online SVR算法运算效率较低的问题,提出一种基于在线残差预测修正的局部Online SVR算法。该算法首先采用离线全局核函数SVR算法建模,然后利用局部核函数Online SVR对模型残差建模,并进行在线预测修正,从而通过离线与在线方法的组合,达到降低计算复杂度、提高预测精度和算法执行效率的目的。实验表明,相比于单一核函数和核函数组合Online SVR方法,新算法可以获得更快的执行效率。3.针对支持向量样本有效性对Online SVR算法性能的影响,提出一种基于加速减量的Online SVR算法。该算法通过有选择性加速“遗忘”策略改进减量训练算法,实现在线样本规模缩减,降低算法复杂度。实验表明,采用该算法可以在保持Online SVR算法预测精度基本不变的前提下,有效地提高在线时间序列建模和预测的效率。4.针对Online SVR算法缩减在线样本规模所导致的模型泛化能力减弱和预测精度下降问题,提出一种分段Online SVR算法,通过选取最优子分段Online SVR模型预测输出,实现在线样本规模的缩减,并充分保留样本的历史知识,以提高算法的泛化能力。实验表明,采用该算法可以在保持较高预测效率的条件下,有效地提高在线时间序列预测精度。5.针对缩减在线样本规模损失了时间序列趋势特性的预测问题,提出一种基于时间序列多尺度分析的并行预测方法。该方法通过时间序列多尺度数据重构,以实现样本规模的缩减,并利用多个Online SVR模型并行建模训练,选择最优Online SVR模型预测输出,有效降低在线样本规模和提高预测精度。实验表明,采用该算法可以有效提高在线预测精度。6.为了验证本文所提出的各种在线时间序列预测算法的有效性和实用价值,针对在线故障预测和移动通信网络话务流量预测研究领域的两个应用问题,提出了两种应用解决方案,并进行了实验验证和测试。实际结果表明,本文所提出的各类方法,可有效地应用于实际的在线时间序列预测,并能够获得良好的预测效能。