大数据时代的到来使得多元时间序列成为众多领域的重要研究对象,如何提取时间序列的有效信息是当前众多领域亟待解决的问题之一。对时间序列进行分析时,由于传统时间序列分析方法会忽略变量间的时变关系,因此引入能考虑数据时变特性的动态模型是当前研究的新方向。该文基于时变学习模型系数的思想,并利用能在实现变量选择的同时给出模型系数估计的Lasso(Least Absolute Shrinkage and Selection Operator)正则化方法,分别对时变回归模型和时变图模型进行以下研究。首先,针对传统回归模型要求样本数据平稳和独立无关的问题,引入流Lasso回归模型。该模型利用自适应滤波原理,通过加入遗忘因子达到动态调整模型系数的目的,实现线性回归模型对具有相关性和非平稳样本数据的分析,改进传统模型的训练方式。将该模型用于糖尿病数据集和京津冀空气质量指数的分析,实验结果表明流Lasso回归模型在变量选择和预测精度方面的优越性。其次,考虑到非平稳多元时间序列的时变特性,根据遗忘指数丢弃数据的思想,改进Lasso罚向量自回归模型,引入时变系数的在线自适应Lasso罚向量自回归模型,并采用循环坐标下降法求解模型参数。将该模型用于风电功率的预测以及脑电信号的特征选择,实验结果表明在可解释性和预测性上优于传统模型。最后,为研究多元时间序列各变量的动态相关性,引入时变图Lasso模型。该模型基于图论思想和Lasso罚的原理,通过交替方向乘子法求解时变稀疏逆协方差矩阵,并揭示了各变量之间的动态关联。将该模型用于仿真数据和股票数据的分析,实验结果表明在跟踪准确性方面优于静态图Lasso模型。