气象时间序列是国民经济建设的重要资料,通过科学的方法对其进行合理分析与预测,可以为气象行业的工作提供重要的理论依据。由于受到多种外界因素的影响,导致气象时间序列是一个错综复杂的系统,其中气温预测是气象行业中一项极为重要的工作,与人们生活息息相关。本文通过构建ARIMA模型与支持向量机回归(SVR)模型对北京市2016年全年的日最高气温进行预测研究。基于两种模型的优势与不足,结合组合模型的思想,进一步构建二者的五种基于不同算法的组合模型。通过七种模型性能对比,选取最优模型进行气温的短期预测,并得出如下结论。通过对气温序列的趋势分解发现,北京市气温序列存在明显的季节效应,以及以半个月为周期的循环趋势。传统ARIMA模型在拟合气温序列时,效果表现不好,SARIMA模型能够提取出季节特征,相较于传统ARIMA模型预测精度得到一定程度地提高,但未来10天的预测结果仍均高于真实值约1.5℃;通过交叉验证以及网格搜索的方法优化SVR的参数,构建的SVR模型精度较高,未来10天的预测值的变化趋势、大小都与真实值十分接近。SVR模型的MAE=0.756、MAPE=0.197,MAPE相较于SARIMA模型提高了59%。SARIMA模型与SVR模型分别在拟合序列线性特征与非线性特性时表现出色。但由于单一模型只能反映序列的部分特征,进而引入组合模型,建立串联型ARIMA-SVR组合模型、粒子群算法优化权重的并联型组合模型以及基于等权重法、简单加权平均法、方差倒数法等方法的并联型组合模型。将MAPE作为度量标准,通过比较得出,ARIMA-SVR模型与粒子群优化算法的组合模型的拟合效果比较好,MAPE分别为0.106、0.12,相较于SVR模型分别提高46%、39%。但是其他三种组合模型的拟合效果并没有优于SVR模型。通过实证分析,证明了ARIMA-SVR模型在进行气温序列短期预测时具有可行性与有效性。该模型集成了两种单一模型的各自优势,反映了数据的变化特征,可以为气象预测提供理论依据。