时间序列预测方法一直是国内外学者研究的热点问题,随着在众多应用领域中对预测效率要求的提高,研究时间序列快速预测方法显得尤为重要。LS-SVM( Least Square Support Vector Machine)作为SVM(Support Vector Machine)的一种改进算法,具有模型简单、训练效率高、学习能力强等优点,将其用于时间序列快速预测领域具有良好的应用前景。因此,本文将主要开展基于LS-SVM的时间序列预测方法及其应用研究的工作。首先,本文主要研究LS-SVM算法的基本原理及基于其实现时间序列预测的方法。针对超参数选择困难的问题,采用多级网格搜索和遗传算法的方法对超参数的取值进行优化。其次,研究基于LS-SVM实现时间序列预测的输入向量构造方法。以具有一定周期性的时间序列为研究对象,提出基于功率谱分析的输入向量构造方法,实现较为精确的单步预测。针对连续选取样本点构造输入向量导致多步预测精度下降的问题,提出基于自相关分析的输入向量构造方法,在有限维的输入向量中包含尽量多相关的历史信息,实现精确的多步预测。最后,将基于LS-SVM的时间序列预测方法应用于移动通信话务量预测领域,实现话务量的实时、在线、多步预测。进而针对节假日话务量变化的特殊性,提出基于LS-SVM和历史相似性的组合预测方法。最终,为中国移动黑龙江分公司开发基于LS-SVM的移动通信话务量预测软件包。文中大量的实验结果表明,与其它方法相比,LS-SVM方法可以在保证预测精度的条件下,提高建模和预测效率。针对具有一定周期性的时间序列,本文提出的输入向量构造方法可以有效地指导LS-SVM模型进行输入向量构造,实现精确的单步和多步预测。移动话务量预测系统的稳定运行表明将LS-SVM算法应用于话务量预测领域的有效性。