集中供暖系统在中国北方城市是十分常见的,在寒冷的冬天可以持续为城镇楼宇提供热量。随着物联网,大数据等技术的发展,供热公司在供热管道和小区住户的室内安装温度传感器,实时监测整个供热系统的温度变化情况,一方面可以评估现有供热策略的好坏,另一方面通过采集到的历史数据可以对未来的室内温度进行预测,可以更好的对供热温度进行控制,从而减少热损失,达到节能减排的效果。现有的时序预测模型依赖比较充足的训练数据,而在实际场景中,对于新部署传感器的小区,其历史积累的数据量很少,仅依赖少量数据训练的模型很容易出现过拟合问题。借助迁移学习方法可以有效解决系统冷启动数据稀缺的问题,但是在本问题中,仍然存在其他挑战:（1）由于室内温度受多种因素的复杂作用,导致不同小区采集到的数据分布存在较大差异;（2）采集到的小区供热数据分布随时间发生动态变化,而目标域已有的数据分布与未来分布可能存在较大差异。为了解决以上的问题,本文提出了一种多记忆增强的分离网络MMe SN实现数据量很少小区的室内温度预测。MMe SN是基于参数的多源域迁移学习方法,通过多个源域数据预训练和目标域数据微调部分网络参数训练整个模型。该网络主要包括源域知识记忆模块和记忆增强融合模块,前者借助联合分解架构将输入的源域数据分解为域共享和域特有的知识,并设计多个源域记忆模块学习各自源域的历史信息;后者学习目标域与多个源域之间的相关性,并进一步将多个源域知识融合。本文的数据集为天津市4个小区采集到的供暖季数据,数据源主要来自供热系统和周边的气象站点,其中供热系统数据通过内置的传感器采集得到,气象数据则通过设计定时爬虫爬取得到。收集到的数据需要进行异常值剔除,缺失值填补等操作。对于小区平均室温的计算,考虑到传感器安装位置,住户生活习惯存在差异,以及数据传输等问题,针对室温数据的几种异常,本文设计了相应的数据预处理流程。在实验中,本文对比了7种常见的迁移学习模型,MMe SN相比最优基线模型在四个小区的平均MAE和MAPE分别有8.6%和8.3%的提升,当未来的数据分布发生较大偏差时,MMe SN的优势更加明显。同时本文对比了MMe SN的6种变种模型,实验结果印证了MMe SN中的联合分解架构和多记忆模块在知识分解,记忆和迁移方面十分有效。通过分析不同源域对目标任务的注意力权重,进一步说明MMe SN可以动态筛选源域中有用知识,从而增强模型在目标任务的鲁棒性和泛化性。