多变量时间序列预测问题已经成为了机器学习（包括深度学习）研究领域的一项重要组成部分。因为随着该问题的深入研究对人类生产和生活逐渐产生了深远的积极影响。但是,对于该领域的研究学者而言,时间序列预测的任务仍然面对十分艰巨的挑战性问题,因为预测目标受到许多复杂因素的影响。例如,在预测公路上的交通流量或者太阳能发电站的发电量的时候,气象条件的变化会对预测目标产生很显著的影响,这种不确定性因素的存在会使得预测结果出现偏差,甚至会造成比较严重的问题。尤其是对于具有严格周期性特征的时间序列,如果能够从历史观测数据中最大程度的提取到周期性的时序信息,这意味着预测的准确性将会大大提高。目前,基于RNN（Recurrent Neural Network）的时间序列预测模型已经在不同的时序预测应用任务上取得了长足的进步。但是,这类型的预测模型很难获取到时间序列的整体结构信息,导致模型无法有效的提取时间序列的周期性特征。这个问题可以通过CNN（Convolutional Neural Networks）模型来解决。因此,本文提出了一种称为“多CNN”的时间序列预测模型来解决具有严格周期性的时间序列预测问题。多CNN的工作原理是通过分析时间序列的周期性,提取出预测目标时间点与其就近时间点的紧密性信息以及其自身的长短周期性信息,最后结合这三个部分的特征进行全面预测。同时,该模型具有高度灵活性,它允许用户根据自己的数据集的特征自由地调整模型中设置的周期范围。针对于前述的RNN模型在时间序列预测中存在的不足以及本文使用多CNN模型对时间序列预测的研究,本文主要进行了以下几部分工作:1)本文根据对时间序列的周期性特征的提取与分析,提出采用三部分特征融合的方法进行时间序列预测。这三部分特征分别对应于要预测时间点的就近时间段对其的影响和该预测时间点的长周期及短周期的特性信息,并给出这三部分特征和融合过程的形式化定义与描述。2)目前,Tensorflow作为最流行的第三方开源库已经被广泛应用于机器学习的不同研究领域中。因此,在分析时间序列特征后,分别对三部分使用CNN模型进行建模操作,最后集中部署在Tensorflow环境中开展实验分析。本文使用两个大型的现实世界的数据集来验证提出的多CNN模型的有效性。同时,为了保证实验的公平性,在相同的环境和超参数设置下使用多CNN模型与其他时间序列模型进行对比实验。最后,这些基于经验的对比实验佐证了本文提出的多CNN时间序列模型在预测精度方面具有强大的优势。