时态数据预测是时态数据挖掘的一个重要的研究方向。它是用被预测事物过去或现在的已知数据，构造依时间变化的挖掘模型，对将来的未知做出预测。支持向量机是九十年代中期提出来的新一代数据挖掘工具，具有全局最优、结构简单、推广能力强等优点，本文将支持向量机方法应用于时态数据预测挖掘中，主要解决分类和回归问题，可用于金融、气象、水文、超市和医疗等领域的预测问题，本课题的研究具有重要的理论意义和应用价值。 全文共分六章，具体内容如下。 第一章阐述了时态数据挖掘的研究背景以及有关的技术，分析了其研究现状，探讨了支持向量机在该领域中已取得的成果、存在的不足，由此引出本课题的研究意义和研究内容。 第二章对时态数据有关的概念和理论进行了研究。在此基础上，构造了时态数据预测模型，给出了相关定义和性质，为下一步进行研究提供了理论基础。 第三章介绍了支持向量机理论，以统计学习理论为基础，分别介绍了支持向量分类机和回归机，讨论了这两者之间的联系。 第四章提出了基于时态数据挖掘的加权支持向量回归方法，以及基于该方法的单、多步预测模型和多输入多输出挖掘模型。实验结果表明，该方法有利于时态数据的回归预测研究。 第五章提出了基于时态数据挖掘的加权支持向量多分类算法，引入样本和类别权重因子，提高分类正确率。通过实验验证了该算法的有效性。最后通过实验对比讨论了分类模型和回归模型之间的联系。 第六章对支持向量机方法和神经网络方法进行了理论分析和实验对比，论证了支持向量机方法的优越性。 本文主要获得的研究成果和创新如下：1、建立了时态数据预测模型；2、提出了基于时态数据挖掘的加权支持向量回归方法，建立了基于该方法的单、多步预测模型以及多输入多输出挖掘模型；3、提出了基于时态数据挖掘的加权支持向量机多分类算法。