随着“工业4.0”时代的到来,工业大数据分析成为制造企业运维管理、电力资源管理等领域的关键技术之一。作为工业大数据的典型形态,时间序列在各类工业应用场景中主要以两种形式存在:间歇性时间序列和周期性时间序列。前者强调数据呈间歇性和块状分布,后者强调数据演化具有明显的周期性和规律性。对各类时间序列的有效预测已成为工业大数据分析的核心任务。目前,机器学习技术已被成功应用于时间序列预测问题,但在实际应用中,受传感器测量误差、人工操作失误等因素影响,易导致数据质量较差或某些场景数据量不足,进而影响机器学习建模效果。为解决上述问题,本文拟引入迁移学习技术,利用相关但不相同的辅助序列数据提高目标序列的预测效果。具体而言,本文以时间序列内在演化信息的提取和表示为切入点,分别针对间歇性序列和周期性序列这两类序列的分布特性,构建序列演化信息的传递通道,建立时间序列迁移预测模型。主要研究内容包括:（1）间歇性时间序列中“0”元素较多、且有效数值呈间歇性和块状分布,导致序列演化规律难以直接提取和传递。为解决该问题,本文提出了一种间歇性时间序列的可预测性评估及联合预测方法。首先提出了一种新的间歇相似度指标,通过统计两条序列中“0”元素出现的频次和位置,并结合最大信息系数和平均需求间隔等度量指标,有效评估了序列的趋势信息和波动规律,实现对间歇性序列可预测性的量化;其次,基于该指标,构建了一个间歇相似度层次聚类方法,自适应筛选相似性高、可预测性强的序列,剔除极度稀疏、无法预测的序列,并分别构建了多输出支持向量机（M-SVR）和多任务学习模型,前者充分利用多个任务之间的输出端结构化信息进行建模,后者则首先通过张量重构的方法降低可预测类序列中随机需求的峰值点,然后构建多任务学习回归模型,实现联合预测。最后,分别在两个公开数据集（UCI礼品零售数据和华为电脑配件数据）和某大型车辆制造企业实际配件售后数据进行实验验证。结果表明,与现有多个典型时间序列预测方法相比,本文方法可有效挖掘各类间歇性序列的可预测性,实现多个任务之间结构化信息迁移,提高在数据量不足时的间歇性序列预测精度。（2）现有时间序列预测方法往往因数据质量问题无法对序列演化的周期规律进行有效建模,尤其难以准确预测峰值处的序列走势,造成整体预测效果理想、但关键位置预测效果不佳的现象。为解决此问题,本文提出了一种鲁棒周期性信息融合的时间序列域对抗迁移预测模型。该模型采用域对抗神经网络（DANN）为基础迁移算法形式,其中特征提取器采用长短时记忆网络（LSTM）,用以提取源域和目标域序列之间的公共时序特征;将全连接层的输出使用LSTM构建回归预测器。此外,为缩小源域序列和目标域序列在数据分布和形状波动上的差异,构建序列峰值不规则形状损失项、预测滞后损失项,作为正则项加入整体损失函数,进行对抗训练,实现序列周期性波动趋势信息的迁移,提高模型的预测精度和鲁棒性。最后将该方法在欧洲交易所的电价数据集上进行实验验证,发现利用北欧、中欧和中伏尔加地区的电价序列数据,可有效提高数据质量不高的西伯利亚和南欧地区的电价走势,在整体预测效果和峰值处的预测精度均有显著提升。综上所述,本文针对工业大数据中常见的两类时间序列数据,从序列间演化信息的提取和传递入手,通过构建时间序列迁移学习预测模型,实现了间歇性序列和周期性序列的迁移预测,预测结果鲁棒、准确,为提高实际工程中时间序列预测精度提供了新的解决方案,具有明确的理论价值与应用价值。