基于数据的机器学习方法,不仅要能够通过对已知数据的学习较好地解决已知的实例,更重要的是要找到数据之间内在的相互依赖关系,从而能够对未来的现象或无法观测的现象做出正确的预测和判断.因此,基于数据的预测学习方法是机器学习的一个重要研究领域.由于现实世界中大量数据的采集与时间相关,数据具有时间上的关联性,从而时间序列预测成为人们更感兴趣同时也是更富挑战性的工作,特别对线性时间序列预测的研究,已取得了系统和丰富的成果.由于整个自然界和社会系统的非线性本质决定了非线性时间序列预测的研究具有更实际的意义.混沌理论是非线性理论的主体之一,它开辟了非线性预测的新领域,从而使混沌时间序列预测成为当今世界范围内一个极富挑战性并具有巨大前景的前沿课题和学术热点.时间序列预测学习方法的重要理论基础之一是统计学.传统统计学研究的是样本数目趋于无穷大时的渐近理论,现有的预测学习方法也多是基于此假设,但在实际问题中,时间序列样本数往往是有限的,所以这些预测方法存在着固有的理论缺陷.与传统统计学方法相比,统计学习理论是一种专门研究小样本情况下机器学习规律的理论.在这一理论框架下产生的支持向量机(SVM)方法,进一步丰富和发展了统计学习理论,使它不仅是一种理论分析工具,还是一种能构造具有多维预测功能的预测学习算法的工具,使抽象的学习理论能够转化为通用的实际预测算法.该文在统计学习理论和SVM算法的基础上,结合小波分析和混沌理论对非线性时间序列预测进行了较深入的研究,其理论结果被实际应用在电力短期负荷预测中,主要研究工作如下:1.研究了时间序列预测的数据预处理方法,它是时间序列预测过程的首要环节.2.在讨论非线性时间序列建模一般原理的基础上,对支持向量机和小波理论建模方法进行了分析和研究.3.结合小波框架理论和多分辨率特性,对基于支持向量机与小波理论的非线性时间序列预测方法进行了研究.4.根据混沌时间序列的相空间重构理论,结合WSVM算法,研究了混沌时间序列预测方法.