随着监测设备的广泛使用,在交通、气象、金融等领域均可采集大量的多维时间序列数据。时间序列具有随机性、连续性和周期性的特点,对时间序列进行预测分析,预测结果可以有效指导生产生活。最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)模型是常用的一种预测模型,惩罚因子和径向基宽度的取值直接决定了模型的预测精度。在对多维时间序列进行预测时,高额的计算开销使LSSVM模型无法快速确定最佳参数值。如何优化LSSVM模型的参数选择并提高模型的预测精度是有实际应用价值的研究方向。本文提出了一种双变换算法(Double Transform Algorithm,DTA),通过使用酉变换和双曲旋转变换来求解Hessian矩阵的逆,并更新损失函数的权重。然后使用牛顿拉夫逊算法(Newton-Raphson Method,NRM)迭代更新预测值,当预测误差小于设定阈值时,输出预测值。DTA算法没有对多维时间序列数据提出任何统计假设,所以保留了NRM算法的收敛性和稳定性,并将时间复杂度从o(7)M ~2(8)降低到o(7)M(8)。将DTA算法应用于LSSVM模型中,首先初始化LSSVM模型的惩罚因子和径向基宽度,然后使用酉变换和双曲旋转变换迭代更新参数并寻找最优参数值,将参数值带入LSSVM表达式中并输出预测模型。为了验证算法的有效性,在Python语言环境中选取UCI KDD标准数据集和Traffic Flow Data标准数据集并进行仿真实验。首先将双变换算法(DTA)与批量梯度下降法(Batch gradient Descent,BGD)、牛顿拉夫逊法(NRM)和粒子群算法(Particle Swarm Optimization,PSO)进行对比,对比不同最优化算法的稳定性和计算时间。然后分别用以上四种最优化算法来搜索LSSVM模型的惩罚因子值和径向基宽度值,并对优化后的LSSVM模型的预测性能进行评估。仿真结果表明,DTA算法在保障算法稳定性的前提下,能有效减少计算时间,可以更好地优化参数。经DTA算法优化后的LSSVM模型误差更小,预测精度更高,具有更佳的预测效果。最后,将DTA-LSSVM算法应用于实际交通业务中,算法可有效预测出未来7天的道路通行情况。