时间序列数据广泛存在于电力、金融、医学、气象水文等等行业领域,准确的时间序列预测能够辅助人们决策控制,合理配置资源。在大数据时代背景下,时间序列数据呈现高维度、高相关性、非线性以及长时间依赖性等特点,多变量时间序列的高精度预测面临着极大挑战。传统预测方法难以捕获时间序列数据的内在特性,基于深度学习的时间序列预测方法能够较好地应对上述挑战,目前主流的深度网络预测模型在网络结构优化、模型超参数寻优方面仍有待改进,普遍存在着输入特征提取不充分、长时间依赖特性捕获不足、超参数设定不合理等问题。因此,研究基于深度网络的多变量时间序列预测优化模型具有重要的现实意义及应用价值。本文针对时间序列预测难以捕捉输入特性和长时间依赖性的问题,引入双向长短期记忆网络改进DA-RNN（A Dual-Stage Attention-Based Recurrent Neural Network for Time Series Prediction）模型,实现输入特征的充分提取以及时间序列数据长期依赖特性的捕获;引入鲸鱼优化算法（Whale Optimization Algorithm,WOA）进行预测模型超参数组合的寻优,实现预测精度的提高。论文主要工作与创新如下:（1）论述了时间序列预测研究相关的理论基础,包括时间序列的相关基础知识、深度学习网络的结构原理、评估模型预测性能的评价指标等三部分,为后文的实验设计奠定了基础。（2）针对现有时间序列预测模型存在的输入特征提取不充分以及长时间依赖特性捕获不足等问题,本文提出了基于两阶段注意力机制和Bi-LSTM网络的多变量时间序列预测模型（DABi-LSTM）。引入时间注意力机制,在端到端的学习中依据输入序列重要性自适应地分配比重,进而全面提取时间序列中的隐含特征,从而有效削弱了次要信息的干扰;融合注意力机制、Bi-LSTM网络、LSTM网络,可以有效解决多变量时间序列预测中长时间依赖特性不足的问题。本文基于金融、环境和能量等三个公开数据集设计了3个实验:对预测模型的参数窗口大小和隐含层层数进行了优化,对模型的单步、多步预测能力进行了验证。实验结果表明,该模型与其它五种代表性的基准模型相比,单步预测的精度优势明显。而且该模型的多步预测能力较好。（3）针对现有模型存在的超参数设定不合理的问题,本文提出了基于WOA算法改进的多变量时间序列预测优化模型。使用WOA算法训练DABi-LSTM模型中的超参数,找到最佳的超参数组合,从而进一步提高模型预测的准确率。针对DABi-LSTM中Bi-LSTM网络的隐含层层数、LSTM网络的隐含层层数以及学习率等超参数组合进行了训练优化,在相同的数据集上验证了优化模型的时间序列单步预测、多步预测能力,并对比了优化模型和DABi-LSTM模型的预测性能。实验结果表明,通过自适应学习超参数,模型进一步提升了预测性能。本论文共有图41幅,表10个,参考文献84篇。