近年来,时间序列预测相关的问题在通信、能源、金融、公安等领域的应用不断涌现和拓展。不同的应用场景对时间序列的处理产生了不同的需求,这些问题用传统的时间序列研究方法已经无法解决。在这些问题中,时间序列的特征提取、分类、聚类、建模和回归预测问题最受关注。本文从时间序列特征抽取,聚类和时间序列回归预测的角度讨论他们在相关行业中创新性应用。在电信离网用户分析的应用中,本文针对众多用户的上网时间序列数据,提出了一种面向用户行为的时间序列高层提取方法,针对该应用中的后台多源数据,使用Group Lasso方法进行特征选择,提升离网用户分析的预测准确率。在电信话务预测任务中,本文提取了差分、高斯和时间序列趋势直方图等特征,在这些特征的基础上,通过近邻分组和聚类分组两种方法计算不同时间话务量的Ratio值——同一小区不同时期话务量比值,从而预测话务量时间序列。在国家电网预测江苏全省用电量的应用中,本文在SARIMA模型的基础上,对不同粒度的建模性能进行对比,并且提出了SARIMA的创新性使用方法,同时结合气温等其他因素,使用GRNN神经网络方法进行回归预测。针对春节附近的发电量的特殊模型,提出了春节发电量修正方法,最终预测达到了很好的效果。