大数据时代产生的海量数据是当今数据型经济的重要支撑,如何运用好这些数据是如今社会、经济发展的关键问题。这些海量数据中存在一部分数据属于时间序列,所以有学者针对时间序列预测方法展开了一系列研究。本文针对不同时间序列预测任务研究相应的预测算法,来提高对应算法的非线性拟合能力、泛化性能等。针对实时在线时间序列预测任务,提出了基于MCP（Minimax Concave Penalty）正则化SWESN（Small World Echo State Network）的非线性时间序列预测方法,改进网络拓扑结构和中间层输出权值两个方面,优化模型对实时在线时间序列的处理能力。针对线下高准确率的时间序列预测任务,提出了基于RAdam-DA-NLSTM（Rectified Adam-Dual AttentionNested Long short Term Memory）的非线性时间序列预测方法,从其网络特征凝聚、网络结构和目标函数求解三个方面进行优化来提高对高维复杂时间序列的预测能力。最后,分别对多个领域的时间序列数据进行实例分析。其具体工作如下:1.提出一种基于MCP正则化SWESN的非线性时间序列预测方法。针对现实世界中具有紧急预测需求的实时在线时间序列,研究训练速度快、算法简单的ESN（Echo State Network）浅层神经网络,为了提高其拟合性能,从其储备池拓扑结构和输出权值两个方面进行优化,建立基于MCP正则化SWESN的非线性时间序列预测模型,包括输入优化、储备池拓扑结构优化和输出权值优化等,在实际应用中提高模型的训练速度,并提高模型对实时在线时间序列的预测精度。2.提出一种基于RAdam-DA-NLSTM的非线性时间序列预测方法。针对现实中具有高准确率需求的高维复杂线下时间序列,研究数据处理能力强、算法复杂的LSTM（Long short Term Memory）深层神经网络,通过改进LSTM深层神经网络结构,设计基于双阶段注意力机制的自编码方法并优化目标函数求解方法,建立基于RAdamDA-NLSTM的非线性时间序列预测模型,包括输入优化、网络结构设计和目标函数求解等,在实际应用中提高预测模型对高维复杂非线性时间序列的映射能力。3.实例分析。将研究的基于MCP正则化SWESN的非线性时间序列预测方法应用于紧急预测需求的时间序列中,包含2种混沌序列和20组医学心电信号,通过预测误差和预测速度等指标分析预测结果;将研究的基于RAdam-DA-NLSTM的非线性时间序列预测方法应用于线下高维复杂时间序列中,包含气象PM2.5数据、金融股票数据、车辆数量和速度数据等,通过预测误差指标分析模型预测能力。