时间序列预测及交通流量预测是预测方向重要的研究内容。时间序列预测在金融市场价格预测、温度预测、太阳黑子预测等场景中有着广泛的应用。交通流量预测是智能交通系统开发过程中的重要环节,相对于时间序列预测增加了空间相关性。时间序列预测及交通流量预测因为其具有时间相关性,在预测时要求当前时刻的预测结果仅与之前时刻的信息有关,不能涉及之后的时刻,否则会造成信息泄露。因果卷积近来被广泛应用于序列建模任务。它通过控制参加卷积的神经元来实现在计算当前时刻的状态时仅涉及之前时刻的状态,这样可以避免信息泄露,非常适于时间序列预测及交通流量预测问题。本文将因果卷积与一维卷积结合应用于时间序列预测,提出了多通道时间卷积网络、注意力时间卷积网络、多通道预测网络。此外本文将因果卷积与二维卷积结合应用于交通流量预测,提出了因果卷积预测网络及空洞因果卷积预测网络。在多个数据集上进行实验,取得了较好的预测效果,并与基线方法进行对比,验证了网络在预测问题上的有效性。本文针对因果卷积进行了深入研究提出了五种预测方法,并应用于时间序列预测问题及交通流量预测问题,主要的工作及创新如下:（1）对于单变量时间序列预测问题,我们将因果卷积与一维卷积结合提出了多通道时间卷积网络及注意力时间卷积网络。多通道时间卷积网络通过构建多通道网络提取不同维度的时间序列特征,并用可训练的融合矩阵将多通道提取的特征融合,增加了用于预测的特征。注意力时间卷积网络将因果卷积与注意力机制结合,该网络能够由注意力机制自主选择需要的特征,相比于多通道时间卷积网络结构简单、参数较少。（2）针对多变量时间序列预测,我们将因果卷积与一维卷积结合,采用编码器解码器结构提出了多通道预测网络,网络通过编码器提取不同维度的时间序列特征并通过解码器进行预测,提升了网络的预测效果。（3）针对交通流量预测,我们在多通道预测网络的基础上将因果卷积与二维卷积结合提出了因果卷积预测网络及空洞因果卷积预测网络。因果卷积预测网络基于因果卷积结构通过级联块进行级联,组成二维的因果卷积结构,可以将空间相关性及时间相关性结合处理,在该网络中我们提取不同维度的时序特征并在预测前将特征进行融合,减少了参数的数量。此外,我们将因果卷积与空洞卷积结合提出了空洞因果卷积预测网络,简化了因果卷积预测网络结构。该网络在减少参数的同时,并没有显著降低预测效果,适用于计算资源较为紧张的环境。