随着高效信息系统的普及和应用,低时延和高效的组网使实现工业物联网（Industrial Internet of Things,IIo T）中的大量数据共享成为可能,通过对大量共享数据的预测分析可以提高用户体验或系统性能。移动传感器节点的部署已成为IIo T应用的一种新模式,被广泛应用于各类内部及外部环境关键信息的监测。在实现智能监测的IIo T部署中,因其节点规模大、位置不固定,网络具有高度非结构化和动态特性,使得对其进行监测数据的预测成为研究的热点和难点。本文提出结合时间卷积网络和图卷积网络（Temporal Convolutional Network and Graph Convolutional Network,TCN-GCN）的动态空时数据预测算法,为智能监测系统提供精准可靠的预测分析。首先,设计自适应图学习模块,根据移动节点特性构造动态图邻接矩阵。其次,提高膨胀时间卷积模块的膨胀速率,充分挖掘空时数据的时间特征并提升预测效率。此外,开发图卷积网络,根据动态图邻接矩阵有效地捕捉移动节点间的隐藏空间关系。仿真结果表明,提出的基于TCN-GCN的动态预测算法可以实现高精度的空时数据预测,加强智能设备对环境信息的感知和利用。为压缩上述提出的复杂空时数据预测网络使其能够部署在边缘设备上,本文提出基于知识蒸馏的空时数据预测（Knowledge Distillation-Based Space Time Data Prediction,KD-ST）算法以提高预测效率并支持实时决策。首先,开发生成对抗网络（Generative Adversarial Network,GAN）判别法和离群值剔除法,将教师网络的输出特征迁移到学生网络中实现模型压缩,同时减少离群值对学生网络的干扰来提高模型准确性。其次,设计了不同架构的学生网络使预测模型满足不同的IIo T边缘设备应用。此外,采用权重迁移策略来提升模型训练效率。通过实验分析,提出的KD-ST可以在边缘设备NVIDIA Jetson Nano上为用户提供毫秒级的预测时延。本文提出基于联邦学习的结合时间卷积网络和图卷积网络（Federated Learning-Based Temporal Convolutional Network and Graph Convolutional Network,Fed TCN-GCN）的空时数据预测算法来实现隐私保护。首先,将新兴的联邦学习策略与基于TCN-GCN的空时数据预测算法相结合,使用本地数据集训练模型并提供可靠的数据隐私保护。此外,对参与联邦学习的客户进行随机采样,以减少算法的通信开销,适用于大规模IIo T网络和分布式预测。仿真结果表明,提出的Fed TCN-GCN能够以较低的精度损失有效防止原始数据集隐私泄露。本文对空时数据预测模型的预测精度、模型复杂度和数据隐私保护三方面进行优化,分别利用图卷积神经网络、知识蒸馏和联邦学习,提出了基于TCN-GCN的动态空时数据预测算法、基于KD-ST的压缩空时数据预测算法和基于Fed TCN-GCN的隐私保护空时数据预测算法。实验结果显示,本文提出的三种算法提升了模型的预测准确率,降低了模型复杂度,减少了模型运算次数并能够有效防止客户端数据泄露。