时间序列是指按照一定的时间顺序排列的序列数据。时间序列存在于我们生活中的各个领域,由于时间序列数据的不完全随机性以及易获取性,越来越多的数据挖掘研究学者希望能从中找出某些规律,从而对特定的时间序列数据进行较为准确的预测。时间序列分析方法是统计学和经济学研究中的一个热点,通过对时间序列进行分析预测,发现其中蕴藏的规律,有利于掌握时间序列数据的动态变化以及发展趋势,对现实的资源管理和经济预报等方面有着重要的现实意义。本文在探讨时间序列的不同预测模型过程中,主要针对不同采样频率时间序列的直接多步预测和间接多步预测进行比较分析。主要完成的工作如下：首先,研究了时间序列数据挖掘技术的发展背景和现状,介绍了时间序列和时间序列数据挖掘的概念,以及时间序列的定义和时间序列预测的基本步骤。时间序列预测的方法,按预测步长可分为单步预测和多步预测,其中多步预测又可分为直接多步预测和间接多步预测。时间序列的预测的基本步骤包括：数据采集、数据预处理、数据分析并选择模型、建立模型、预测数据。(详见1.1、1.2、2.1-2.3)其次,对时间序列预测的两大基本方法进行分析,分别是平滑法和拟合法。平滑法的基本思想是移动平均,本文主要研究了季节性指数平滑法和自适应过滤法；拟合法即用最优的模型拟合现有的时间序列数据,本文主要研究了ARMA模型。此外,针对神经网络在时间序列预测中的应用,构建了BP神经网络时间序列的预测模型。(详见第二章)再次,基于经典的ARMA、季节指数平滑法、自适应过滤法和BP神经网络等时间序列预测模型的基础上,引入了直接多步预测和间接多步预测的概念。利用ARMA、季节指数平滑法、自适应过滤法和BP神经网络四种模型,分别对Hourly、 Daily、Weekly、Monthly和Quartly5组不同采样频率的时间序列进行直接多步预测,并针对它们之间的预测误差作了比较分析。(详见第三章)最后,在单步预测的基础上,用ARMA、季节指数平滑法、自适应过滤法和BP神经网络四种模型,分别对Hourly、Daily、Weekly、Monthly和Quartly5组不同采样频率的时间序列进行间接多步预测,并比较它们的预测误差。另外,对直接多步预测与间接多步预测的综合性能作了比较分析,并针对不同模型对同一频率的数据进行预测的结果进行对比分析。(详见第四章)