现实系统中的非线性时间序列预测已成为回归问题中的难点问题,建立一个合适的预测模型来提高预测精度已成为近年来非线性时间序列研究的热点。作为现实系统的一个典型代表,交通系统输出的交通流时间序列表现出非线性的显著特征。本文以交通流序列作为非线性时间序列预测问题的主要研究对象,在总结非线性时间序列预测模型研究现状的基础上,从非线性时间序列组合预测的角度出发,对现有的时间序列单步和多步预测模型进行了研究并提出了改进模型。最后,在时间序列相似性度量问题上提出了一种基于多值趋势向量的度量方法。本文首先对城市道路网交通流特征进行分析,根据其特征使用Vanet MobiSim软件构建了交通流仿真系统的静态物理模型和车辆模型,进而实现了城市道路交通网的仿真,最后提取出路网中交通流时间序列。针对非线性时间序列的单步预测问题,改进了现有经验模态分解预测模型。根据经验模态分解出的各个分量的波动特征,提出了以赫斯特指数为指标将各个分量重构分别预测的组合模型。通过与传统经验模态分解预测模型及最小二乘支持向量回归预测模型的对比和分析,实验结果表明基于赫斯特指数重构的组合模型具有更好的预测精度。针对周期性的非线性时间序列的多步预测问题,将时间序列中历史同周期数据采用垂直数据排列的方式,利用不同周期同时段中具有较高相似性的数据组成垂直序列对未来数据进行多步预测。将垂直序列的预测结果与传统多步预测模型的预测结果等权加和得到最终的预测结果。使用垂直数据进行预测可以减少多步预测中的误差累计。在全球大气压强数据和交通流数据的预测结果表明,该组合多步预测模型具有较好的适用性和有效性。针对时间序列相似性度量的问题,提出了一种基于多值趋势向量的时间序列相似性度量方法。首先将时间序列进行分段,依据每段的不同趋势转化为多值趋势向量,通过计算多值趋势向量之间夹角的余弦值确定序列间的相似性。与基于二值趋势向量的时间序列相似性度量方法相比较,在全球大气压强和交通流数据集的实验结果表明,基于多值趋势向量的时间序列相似性度量方法的有效性。