时间序列分类及预测是时间序列分析的重要组成部分,通过对大量的观测数据进行分析,能够预测出数据在未来的发展趋势,以便对将要发生的事件进行控制。本文对时间序列分析中的时间序列模式分类、多步交通流预测和时间序列早期分类三个问题进行了研究并分别提出了改进算法,将改进的算法应用到隧道烟雾浓超标模式识别中。针对在时间序列模式分类中数据存在失真和受噪声影响等问题,提出了一种基于多视图典型相关分析改进的时间序列模式分类算法。首先利用训练数据给每个类别定义一个模板序列,再利用动态时间弯曲算法计算出每个时间序列和每个模板序列之间的动态时间弯曲路径作为该序列的动态时间弯曲特征,接着提取原序列的一维时间方向梯度直方图特征,最后将这两个特征作为原始时间序列的两个视图,通过多视图典型相关分析方法将该序列的两个特征进行融合,将融合后的特征再进行分类。并且将该算法应用到隧道烟雾浓度超标模式识别中,实验结果表明基于多视图典型相关分析改进的时间序列分类算法比基于单个特征的时间序列分类算法有更好的分类效果。鉴于交通流序列流具有强周期性和波动性等特性,提出了一种基于经验模态分解改进的多步交通流预测算法。在该算法中,先将不同周期相同时刻的数据组成纵向预测序列并对纵向数据进行经验模态分解,求出其波动部分和每个周期对应时刻的基交通流量,然后对波动部分进行预测并将其预测结果加上其对应时刻的基交通流量作为纵向预测结果。最后将纵向预测结果和基于直接策略的预测结果进行加权求和作为最终的预测结果。接着,使用VanetMobiSim仿真软件构造了城市道路交通流仿真系统的宏观移动模型和微观移动模型,然后对城市道路交通流进行仿真并提取出其交通流时间序列。实验结果表明基于经验模态分解改进的多步交通流预测算法具有更好的预测精度。针对时间序列早期分类问题,利用K近邻算法思想改进了现有的基于代价损失的早期时间序列分类算法。该算法在一个专门优化分类正确率和延迟决策损失的框架下,首先在训练过程中计算出每个训练时间序列在每个时间点的代价损失,在测试过程中利用K近邻算法得到测试时间序列在训练集中的K个最近邻,再利用K个近邻的未来代价损失值估算出待测样本的未来损失从而得到其最优分类时刻并对其进行分类,实验结果表明基于KNN改进的代价损失的早期时间序列分类算法具有更好的分类结果。