高炉铁水含硅量可以反映高炉内的热状态和铁水的质量,高炉铁水含硅量预测建模对于及时监控高炉运行状态、提高铁水质量具有重要意义。目前,基于神经网络的学习建模方法与传统的纯数学模型和基于规则的推理模型相比具有很多优势,在实际中得到了广泛的应用,但由于神经网络存在过学习、过分依赖经验等问题,使其在铁水含硅量预测,尤其是在数据波动较大情况下的含硅量预测中的应用受到了限制。近两年来,支持向量机逐渐在铁水含硅量建模中受到重视,出现了基于支持向量回归的铁水含硅量预测模型,但其预测准确性和建模效率有待进一步提高。本文针对这些问题,提出了基于时间序列相似性匹配的铁水含硅量预测模型,在保证建模精度的同时,提高建模速度。首先,提出了基于时序相似性匹配的支持向量回归建模方法。该方法选择与待测数据相匹配的历史数据作为训练集建立模型,有效地排除了与待测数据变化规律不一致的历史数据对模型精度的影响,提高了预测模型准确性。其次,针对该建模方法执行效率较低的问题,提出了基于位操作的快速时间序列相似匹配算法,在保证一定建模精度的同时,显著提高了时间序列相似性匹配的效率,从而提高了基于相似性匹配的建模速度。最后,为了减少精度的损失,提出了基于位操作的动态时间弯曲算法,在提高建模效率的同时,维持了较高的建模准确性。实验结果表明,本文所提出的基于时间序列相似性匹配的支持向量回归建模方法对于铁水含硅量预测是有效的,所提出的基于位操作的快速时间序列相似匹配算法和基于位操作的动态时间弯曲算法,在保证模型精度的同时,大大提高了建模效率。