时间序列是某统计数值按时间先后顺序排列的离散数据,广泛存在于环境、工程和生产生活等领域中。时间序列预测可以发现和提炼事物内部或事物间的联系与规律,给人类生产、生活提供决策依据,有着重要现实意义。随着当前数字科技的迅速发展,时间序列呈现以下特点:数据量大、维数高、具有时变性和含噪声。这对时间序列在线预测提出了更高要求。本文基于核最小均方方法对时间序列在线预测进行研究,针对含有噪声或异常值、非平稳且具有时变性的时间序列,改进核最小均方方法,来降低计算复杂度,提高自适应调节能力,增强跟踪时变特性能力,进而提高预测精度。核最小均方方法是时间序列在线预测领域的经典方法。首先,针对随着数据量线性增长,模型计算负担和内存需求不断增加的问题,以及时间序列常存在未知噪声或者异常值问题,提出基于顺序离群值准则的量化核最小均方方法。该方法利用顺序离群值准则剔除样本数据的异常值,并用在线矢量量化方法分辨出冗余数据,在丢弃冗余数据同时提取其中的信息用于更新网络系数,从而形成紧凑又准确的模型。其次,从稀疏化角度来改进模型,提出基于自适应稀疏量化核最小均方方法。利用顺序离群值准则忽略异常值,以防止其被接受为新的中心,将一致性准则添加到量化的核最小均方算法中,减少字典的大小,从而降低了计算复杂度,增加权重自适应调整以提高模型在时变环境中的抗噪性。此外,针对核最小均方方法无法捕获非线性动态系统的时间特性的问题,将其与神经网络方法相结合,提出基于回声状态网络的量化核最小均方方法。该方法将回声状态网络的储备池与核最小均方集成在一起,提高了模型跟踪时间特征的能力,利用矢量量化方法可以抑制模型字典的增长,从而提高模型计算效率。在本文中,利用增添高斯白噪声的Lorenz数据集、厄尔尼诺与南方涛动数据集和北京空气质量指数数据集等进行在线预测仿真实验,证明本文所提出方法的有效性。