时间序列预测是工程应用中的一项重要任务,在工程学、经济金融学、气象学、能源学等众多领域有着广泛的应用。随着互联网的高速发展,时序数据的规模迅速增长,时序数据也从单变量时间序列转换为多元时间序列。与单变量时间序列相比,多元时序具有更加复杂的高维时序特征,其非线性趋势和噪音导致多元时间序列表现出不稳定的相互依赖性和时间周期性,很难准确地对数据进行分析和预测。现有的时序预测方法大多专注于捕获时序数据的长期依赖关系,而忽略了时序数据的局部细节信息,导致模型对异常值的检测能力不足。本文的研究专注于在准确地捕获时序数据之间长期依赖关系的同时,提高模型对多元时序数据局部特征的提取能力,针对无属性多元时序预测任务和有属性多元时序预测任务提出了两种基于编解码框架的深度神经网络模型。针对无属性多元时序预测任务,本文提出了局部特征增强Transformer模型（Local Feature Enhanced Transformer,LFE-Transformer）,LFE-Transformer首先使用因果卷积对时序数据进行局部特征提取和增强,然后将增强的时序特征引入自注意力层,自注意力机制可以快速获取时序数据的全局信息和长期记忆,能有效地增强时序预测模型对长期依赖关系和异常值的预测能力。实验表明,LFE-Transformer在常用时序预测数据集上的性能表现优于其他非局部增强特征的方法,说明了本文提出的LFE-Transformer模型能够有效地增强时间序列中的局部关键信息并捕捉长期依赖关系。针对有属性多元时序预测任务,本文提出了融合属性和时序特征的时间注意力卷积网络（Fusing Attribute＆Timed-Feature Temporal Attention Convolutional Network,FAT-TACNet）,FAT-TACNet的编码阶段由属性特征提取网络Attrext Net和时间序列特征提取网络Timext Net组成。Attrext Net使用一维卷积来提取属性值在正序和逆序两个方向上的特征,Timext Net使用因果卷积提取时间序列数据的特征,并在卷积中融入自注意力机制用于捕获长期信息,两个网络提取的特征在融合后解码得到预测的时间序列。在两个带属性的时序数据集上的实验表明,FAT-TACNet的性能优于其他方法,说明了本文提出的FAT-TACNet模型可以有效地提取时间序列的属性和时序特征并能得到准确的预测值。