在航空机场中，机场噪声一直是普遍存在的现象。从航空运输公司成立以来，机场噪声就一直影响着机场周边的环境。现在随着我国的经济的快速发展，许多机场随之建立，各种大型飞机开始实施飞行，机场噪声的影响越来越受关注。目前已有很多较为成熟的机场噪声的评价预测方法，但这些方法缺乏普适性，很多的预测方法都是从实际因素角度进行试验来对机场噪声进行预测，但这些试验需要机场的一些实际条件，来回在机场进行模拟不太可能，而且对于机场监测的噪声数据，几乎没有这方面数据的研究，使这部分数据没有得到很好的利用。基于上述原因，通过对机场监测点所监测的数据进行分析，采用时间序列预测的方法，运用支持向量回归算法（SVR），对监测点数据进行训练并建立预测模型，运用预测模型对未来数据进行预测，可以得到该监测点未来的发展趋势，这样有助于结合已有的模型进行更好的噪声等值线图的绘制。本文对机场噪声的监测数据进行时间序列预测，采用的是目前最常用的支持向量回归的方法，也和人工神经网络算法进行了对比。在支持向量回归进行时间序列预测的基础上，在机场噪声预测应用方面，对此算法进行了一定的改进，使得它能够更好的利用在像机场噪声这样的数据中。本文主要从支持向量回归算法在时间序列预测应用中的几个方面进行了深入的研究，包括数据的预处理、加权的方法以及参数训练的方法。在运用每一个算法解决实际问题时，都要对数据进行一定的预处理，以使得更好的应用于该算法。对支持向量回归算法的数据要经过规范化处理，而在机场噪声的数据中，又运用了平滑法处理过程，这主要是使得数据能够缓和一点，又不消除其趋势性，所以针对具有这样的数据都可以先进行一定的平滑处理，然后再规范化处理去应用支持向量回归算法。加权的方法在时间序列预测中，是针对时间的先后赋予各个样本不同的权值，然后再去进行训练预测的过程。然而对于所输入的数据集中，除了各个样本的时间先后之外，还有一些数据在构造成所要训练的数据集时，样本本身的属性之间也有时间先后之分的，对于这样的样本集合，要对样本本身也应考虑运用加权的方法。交叉验证是最常用的一种训练参数的方法，在时间序列预测中，通过把时间的特征加入交叉验证的方法，不但使得训练的数据量大大减小，而且预测精度也有进一步的提高，同时也使得交叉验证的方法在样本数据量大的情况下也能快速训练出最优参数，得到较好的预测精度。