时间序列数据是指按照时间先后顺序进行排列的数据点序列,简称为时序数据。多维相关时序数据是指包括了时间戳、空间位置、多因素三个维度特征相关的时序数据。随着社会科技的进步,人们在生产生活中监测并记录了大量的多维相关时序数据。因此,多维相关时序数据的分析和预测方法一直是学术研究热点,并在现实场景中发挥了重要的指导意义。例如,在气象预报、环境管理、食品安全等多个领域中,深度的数据分析和及时的数据预测可以为决策者制定决策方案提供有效的参考信息。多维相关时序数据预测问题,是利用历史记录数据构造时间序列预测模型,然后借助建立的预测模型进行外推以预测未来的变化趋势。时序数据通常包含了至少一种相关性的特征:时间相关性,也就是在时间戳上具有前后变化的依赖性。一个序列具有时间相关性是预测的基础,也是最重要的部分,大部分传统的预测模型都是基于时序数据的时间自相关函数进行向前预测的。此外,时序数据通常不仅有时间戳信息,还包括了空间位置信息。例如,空气污染源多站点监测到的PM2.5数据,该数据不仅具有时间相关性,还会在空间上具有演化过程,即空间相关性。此外,随着传感器技术的发展,人们在实际系统中获得的数据类型越来越丰富。例如,在空气污染源监测站,除了监测PM2.5含量,还会监测到其他空气污染源。其他污染源及气象要素等构成了相互影响的其他因素。例如,空气中相对湿度增大通常会导致PM2.5含量上升。如果能够充分分析因素之间的相关性,并将相关度高的其他因素作为新引入模型的数据可以有效地提升预测精度。因此,充分挖掘这三种相关性特征进行建模,可以有效地提升模型预测精度。本文基于以上分析,从时序数据三个维度相关性进行建模,提出了用于探索单个序列内部多种模式的季节趋势分解法,并建立基于变分推断的长短期记忆网络（Long Short-Term Memory Networks,LSTM）模型,称为贝叶斯LSTM,从而实现对时间相关性的特征捕捉。在多空间位置数据集中,提出基于改进最大互信息系数的位置筛选方法,在保持选择出的数据与待预测目标数据之间具有高度相关性的同时,包含更少的冗余信息,并基于此数据,建立贝叶斯LSTM预测模型。最后,在涉及多因素的数据集中,提出基于序列因果关系方法的因素相关性分析,从而为贝叶斯LSTM网络模型提供更有效、更全面的输入信息。本文通过一个仿真数据集和三个真实数据集分别进行数据三种相关性建模效果的评估,实验结果证明了本文所提方法的有效性。