现代商务智能系统通过对时间序列进行预测来辅助管理决策,选择合适的预测模型是其中重要的环节。时间序列预测模型包括传统的统计模型、人工智能模型及其混合模型。在众多的预测模型中,没有任何一种模型能胜任所有的预测情景。根据“没有免费的午餐”定理,不同的时间序列预测任务具有情景依赖关系,必须为其选择合适的预测模型。在时间序列预测模型选择方法中,传统的方法存在耗时长、不同模型不能比较等问题,而基于分类器的方法能够解决上述问题。本文研究基于分类器的时间序列预测模型选择框架,在模型选择框架中融入预测步长因素,从特征对预测模型产生影响的角度改进降维方法,并在公开数据集和农产品价格时间序列上进行验证。主要研究内容如下:（1）考虑预测步长对预测模型性能的影响,提出融合预测步长的模型选择框架。预测模型在同一时间序列的不同步长水平下性能不尽相同。由此本文提出融入预测步长的模型选框架。本文以传统的基于平均步长的模型选择框架为基准框架,在M3数据集月度读数据上构建了两种融入预测步长因素的模型选择框架,包括构建基于步长独立建模的模型选择框架和基于步长特征的模型选择框架,并且将其与基准框架比较。实验证明,基于步长独立建模的模型选择框架没有明显的改进作用,而基于步长特征的模型选择框架预测精度更高,加入步长特征能提高模型选择框架的预测能力。（2）考虑时间序列特征对预测模型性能的影响,提出考虑预测模型性能的降维方法。针对特征降维方法普遍存在的冗余问题,考虑不同时间序列特征对预测模型性能影响的程度,提出回归显著性与最大相关最小冗余度相结合的特征选择方法。首先从特征对模型预测性能显著性影响角度进行初次筛选,然后去除特征之间的相关性以及特征与类别之间的相关性,最后通过后向选择法进行二次筛选,从而实现时间序列特征降维。将本文提出的特征降维方法用于M3数据集的预测模型选择中,实验结果表明,该方法不仅能实现特征降维的效果,而且能够增强元学习的分类效果,进而提高预测模型选择的预测精度。（3）以国内农产品价格时间序列为例进行实证分析。首先提取农产品时间序列特征,进行相关性分析和最佳模型分析;然后使用本文提出的方法构建农产品模型选择框架;最后实验分析对比。实验表明本文提出的模型选择框架在农产品价格时间序列预测中具有实用性。