时间序列数据在生活中随处可见,尤其在工业生产中更是无处不在。通过收集序列数据,可以根据数据中的历史信息对未来的数据进行预测,具有重大意义。用于时间序列预测的传统方法大多难以处理复杂的多变量时间序列,无法获取多变量之间的空间关系。因此,目前常用于时间序列预测的方法大多基于深度学习。深度学习方法不需要先验知识,可以通过训练大量原始数据,自动从数据中获取依赖关系。理论上,数据量越大,深度学习模型能够学习到的数据特征越多,模型的预测能力就越强。然而,基于深度学习的时间序列预测方法存在一个问题,即深度学习模型难以建模长时间序列。当深度学习模型用于长序列的预测时,模型的预测准确度会变得极差,因而无法有效利用长序列。为了解决该问题,本文的主要研究内容如下:（1）本文针对以往深度学习模型在时间序列预测任务中难以建模长序列的问题,提出了双窗口机制。双窗口机制使用了两个不同大小的时间窗口来对时间序列数据进行样本划分。在滑动时间窗口的过程中,双窗口机制可以同时从原始序列中划分出长序列和短序列。通过将一份数据样本划分为长序列和短序列,可以使得深度学习模型同时学习到长期信息和短期信息,并获得更好的预测效果。（2）本文提出了DWNet（Dual-Window Neural Network）模型。DWNet模型是双窗口机制的具体实现,由短序列映射模块和长序列映射模块组成。长序列映射模块使用一维卷积来建模长序列,从而防止梯度消失并减少训练时长。短序列映射模块使用注意力机制和编码器-解码器（Encoder-Decoder）框架来挖掘短序列之间的空间关联和时间关联。这两个精度不同的模块的结合使得DWNet模型对原始数据信息的挖掘能力更强。实验部分对DWNet模型与其他常用时间序列预测模型进行了对比实验,实验结果显示DWNet模型在四个数据集中均优于其余九种流行的时间序列预测方法。（3）本文设计并实现了基于DWNet模型的永磁同步电机温度实时预测系统。永磁同步电机应用广泛,但是对高温极其敏感,高温会损坏电机内部的永磁体。该系统可以实时预测运行中的电机温度,并在预测温度超过设定值时发出警报。同时,该系统可以持续训练DWNet模型,在数据量增多的时候进行增量训练或者全量训练,从而使得DWNet模型预测效果不断提高。