时间序列是指将事物按照其发生的时间顺序进行排列的数列。它通常是以某一固定采样率对一段时间内的潜在过程进行观测的结果。时间序列数据本质上可以反映出一个或一组随机变量的变化运动趋势。通过对时间序列反s映出的趋势的挖掘、分析和研究我们就可以把握对应事物的发展规律,可以对事物有更深入的了解,也可以更好的预测事物未来的发展进而做到因势利导,趋利避害。时间序列预测的应用范围十分广阔,在传染病防治、交通运输、经济、金融等领域都有广泛的应用。常用的时间序列预测方法有传统统计学方法,机器学习方法和深度学习方法三类。三种方法各有其适用的应用场景,也各有其性能瓶颈。对于以金融时间序列为代表的一些高维度、高噪声、非平稳时间序列,在计算速度和特征提取能力上深度学习方法更占优势,而且使用深度学习模型进行金融时间序列预测对研究人员的金融学知识储备要求较低,不需要进行复杂的特征工程。但是深度学习模型随着模型层数的加深,对时间序列整体结构与内部规律从宏观层面的提取能力加强的同时在局部特征规律层面的提取能力会变弱。往往深度学习模型不能兼顾整体与局部特征的提取。因此本文针对高特征维度高噪声的时间序列的降维降噪问题和深度学习模型无法兼顾整体与局部特征的问题提出了一种时空整合的数据处理方法,以及一种基于注意力机制的预训练长短期记忆门模型用以实现对高特征维度高噪声数据的降维和降噪,加强模型对整体局部特征提取的兼顾能力,提高时间序列预测模型的预测精度。本文的主要工作可以概述为:1、设计了一种时空整合的数据处理方式,分别在时间维度和空间维度整合时间序列数据的特征。时间维度上根据年、季、月、周的时间阶段整合时间序列特征的变化趋势,并保持趋势之间的连接性和连续性。在空间维度用总体趋势校准不同局部趋势的分布方差差异,实现对时间序列特征的有效降维和降噪。本文实验数据集选用高特征维度高噪声的金融数据,收集了2016到2022年的180个股票指数数据,其中大盘指数12个,一级行业指数34个,二级行业指数134个。通过对金融数据集进行对比实验,发现该数据处理方式可以将预测精度提高25%左右,使用该数据处理方式的三组实验最终预测准确率都在80%以上。2、设计了一个基于注意力机制和预训练机制的长短期记忆门神经网络,以预训练的方式保证对局部趋势特征提取和整合的可信度,提高了模型对整体和局部特征的兼顾能力。同时通过注意力机制提高模型对于各个局部特征之间相关性的挖掘与分析。通过对金融数据集进行消融实验,发现预训练机制可以将预测精度提高近2个百分点,注意力机制可以将精度提高近3个百分点。