时间序列的预测在实际生活应用中有着很重要的意义,在电力、气象、交通以及股票预测等商业领域都有着十分广泛的应用。在实际应用中,由于多变量时间序列在各个领域中的应用十分广泛,而逐渐成为近些年时间序列预测问题的热门研究方向。在多变量时间序列预测问题中,不仅众多的外部因素对预测变量产生影响,变量之间也存在复杂的依赖关系,因此建模时需同时考虑变量内时间依赖关系和变量间相关性。根据多变量序列预测研究中能否通过先验知识对序列间关系进行建模,本文将多变量时间序列预测问题划分成两种:一种是无法通过先验知识获取变量间关系的多变量时间序列预测问题,一种是可以通过先验知识获取变量间关系的多变量时间序列预测问题。并提出了针对上述两种问题的解决方法。针对无法通过先验知识获取序列间关系的多变量时间序列预测问题,我们隐式地通过神经网络模型提取变量间共享的模式。本文提出了一种基于矩阵分解的回声状态网络模型（FESN）。将输入的多变量时间序列进行矩阵分解,拆分成一个捕捉了输入序列的时间不变特征的静态矩阵,和一个捕捉了随着时间发生变化的时序依赖因子矩阵。静态矩阵包含变量之间相互影响关系,而拆分出的时序依赖因子矩阵中存在复杂动态特性,对于这部分利用回声状态网络（ESN）对这其进行建模。矩阵分解的融入,将原本序列间存在互相影响的变量进行了拆分,ESN模块增强了复杂动态性的建模能力。实验结果证明,FESN比现有的一些时间序列预测模型预测的性能更好。针对可以通过先验知识获取序列间关系的多变量时间序列预测问题,我们显式地利用图结构建模变量间的关系。本文提出了一种自适应时空图循环神经网络（ASTGCRN）,在建模序列间的相关性时,先根据路网距离构建空间图,再利用动态规整算法（DTW）对序列间时空依赖进行建模生成时间图。DTW可以捕捉到空间位置相距较远的相似节点的依赖关系,充分的考虑了时空融合特征。考虑节点动态性也会对节点状态产生影响,为捕捉到细粒度的节点模式,本文引入了自适应图生成（DAGG）和节点自适应参数学习（NAPL）两个模块增强GCN的流量预测任务。其中DAGG通过增加嵌入节点在训练时生成自适应图,能够自动从数据中推断出隐藏的相互依赖关系。NAPL则通过对GCN中的共享参数进行矩阵分解,通过嵌入可学习节点,从所有节点共享参数中生成特定节点的参数。实验证明ASTGCRN在三个真实交通数据集上均取得了最优效果。