时间序列数据广泛存在于在金融、天文、工业、医药、电力等诸多领域。时间序列具有连续性,随机性以及周期性,其特性表明了对其进行预测的可行性与困难性。通过分析时间序列数据,可以挖掘数据的周期性、基本趋势和关联规则等有价值的信息,还能够对未来走势进行预测。时间序列预测模型的应用范围十分广泛,包括电力需求预测、金融市场预测以及现代医疗诊断等领域,无论是为了获取商业利益还是规避风险,提高时间序列预测的准确性,都具有极大的研究价值和实用价值。针对不同时间尺度对时间序列进行预测,分为细粒度预测和粗粒度预测。目前的主要预测方法包括统计学习方法、传统机器学习方法、前馈神经网络方法和循环神经网络方法等。这些方法都有各自的限制或者需根据实际应用场景做出组合、调整、改进。在应用领域,预测精度每提高一点,都能带来巨大的收益。神经网络拥有通用的逼近能力,强大的计算能力和表达能力,是一种理想的规则和模式学习器,可以用来发展更高级形式的预测器。本文致力于研究神经网络工作原理,从而对其进行结构调整和改进,以及模型组合等工作,建立时间序列粗粒度和细粒度预测模型,提高时间序列预测精度。针对时间序列的细粒度预测问题,本文提出了一种名为LSTM-corr的基于LSTM的修正模型。LSTM-corr是在LSTM的基础上添加了一层用于校正LSTM结果的前馈神经网络校正层,从而提供更精确,更稳定的预测结果。将数据中心能耗预测作为具体应用场景,利用数据中心仿真器GreenCloud产生的数据中心能耗序列作为实验数据集,实验结果表明LSTM-corr模型的预测效果要明显好于单一的LSTM模型。针对时间序列的粗粒度预测问题,本文提出了两种方案:基于神经网络语言模型的趋势预测方案和基于自编码器的粗粒度预测方案。前者为粗粒度范围预测,后者为粗粒度具体值预测,二者的预测准确性都要高于传统对比算法。