目前集成学习是机器学习中研究的一大热点，在解决TSP问题中取得了很好效果。集成学习方法是通过综合多个模型的输出结果来达到更好的学习效果，但并不是所有学习器的效果都好，已有研究证明有选择性的集成部分效果较好的学习器要优于集成全部的学习器。选择集成技术利用不同学习器之间的差异性，通过组合性能较好的学习器来提高模型的泛化性能，并且不同学习器有其独有的特点，集成学习充分的发挥了其各自优势。因此，近年来选择集成技术被广泛的应用到许多领域，如医疗诊断、语音识别、股市预测、交通流预测等，在实际应用前景方面该研究具有很大的实际意义。基于选择性集成技术提高模型的性能，近年来许多学者在各个领域已经获得了不少的研究成果，但在构建一个强大的集成选择系统上，仍然可以有进一步改进的空间。如何训练出优质的学习器，以及对于这些学习器在不同的应用领域按照什么样的标准有选择性的构建一个高性能系统，将是衡量学习器的准确性以及学习器之间的差异性的两个重要因素。
　　针对以上问题，本文首先在基学习器的训练阶段，为减少数据噪声对学习器的干扰，通过Bagging和随机子空间方法(RSM,RandomSubspaceMethod)扩大样本的多样性来训练多个支持向量机（SVM，SupportVectorMachine），提出了RSM-Bagging的结合策略，解决了数据集中的相关和冗余特征的问题；在单个学习器选择阶段，将差异度和准确性作为衡量标准，用熵来度量差异性，提出了差异度不减的选择策略，有利于模型的实时性和准确性；在集成阶段，对多个窗口的学习器进行集成，并在验证集上根据窗口中学习器的平均准确率给不同的窗口分配了不同的权重，解决了时间序列中窗口大小固定且难以确定的问题，增加了其模型的泛化性。最后，针对本文提出方法将该模型扩展到了篮球比赛预测和交通流预测上，并与现有的主要方法进行了比较，通过理论阐述以及实验效果证明了该模型在时间序列预测问题上取得不错的效果。