混沌时间序列普遍存在于社会生活的各个方面,随着科学技术的发展和传感器应用的普及,各领域混沌时间序列的观测规模和维数显著增加,数据规模的增加不仅增加了数据特征提取的难度,同时使预测更加困难。为有效获得大规模时间序列的特征信息,实现精准预测,应对大规模混沌时间序列进行特征信息的提取、构建高效的预测模型。对此,本文以大规模混沌时间序列为研究目标,从混沌时间序列的演化信息提取、时序特征捕捉和信息充分利用三方面进行分析,有效提取大规模混沌时间序列的特征信息,以提高预测精度。针对混沌时间序列内部复杂的动态信息,对其进行相空间重构。均匀相空间重构虽然能够获取混沌时间序列中的非线性演化信息,但重构后的数据具有更大的规模且难以辨别关键特征。为解决相空间重构在高维时间序列中存在的参数选择困难的问题,本文引入稀疏主成分分析进行自动的关键变量选择和特征提取,应用适应大规模数据的宽度学习系统进行时间序列预测。针对时间序列数据特有的时序动态信息,构建有效的时序特征提取模型。受限玻尔兹曼机因其强大的无监督特征学习能力在时间序列特征提取方面表现出了极好的效果,并且比传统的时间序列预测模型对输入数据更具有自适应性。但对于时序数据这一应用,受限玻尔兹曼机缺少独特的捕获时序信息的机制,只为动态建模提供了特征提取机制而无法独自完成回归预测的任务。针对上述问题,本文构建递归受限玻尔兹曼机实现回归预测。该模型引入了漏积分储备池递归结构来捕获动态信息,该递归结构不仅能够弥补动态特征,而且具有短期历史信息记忆能力,更适合于时间序列的应用。在此基础上为模型建立了跨层连接,以弥补递归过程中丢失的信息,实现特征重用。为了实现线性特征和非线性特征的综合充分利用,本文构建了信息最大化利用模型,改进了递归结构使其在捕获线性信息的同时提取时序信息,并通过非线性随机映射构建增强层进行非线性信息的补充。为了充分利用所提取到的特征,本文在神经网络的各层构建跨层连接,以弥补层级连接过程中信息的遗漏,并实现特征复用。