时间序列数据广泛应用于气象、经济、工业等诸多领域,针对时间序列数据的预测对实际生产生活具有极大的指导意义。传统的时间序列预测方法对数据要求高,而且往往没有办法学习更长的历史值信息。本文运用人工智能研究领域中较为前沿的深度学习技术作为理论框架,对两类不同类型的多元时间序列数据经行处理预测,针对现有的一些处理时序数据的模型经行改进处理,具体工作如下:1)针对单变量多来源的多元时间序列,提出一种基于编解码结构与线性回归组合模型（AR＿CLSTM）。AR＿CLSTM利用卷积神经网络来学习输入的时间序列数据的特征信息。然后,将提取到的特征输入基于时间步注意的编解码的网络结构当中,学习时序数据时间之间的依赖关系。并在编码网络和解码网络之间引入了注意机制,可以更准确地选择所有时间步的相关编码隐藏状态进预测。同时还在原有的模型基础上加入了线性自回归模块,实现了线性模型和非线性模型的组合模型,增加了模型的容错性,改善原有模型对数据的线性特征学习不敏感的问题。通过在四个单变量多来源的多元时间序列数据集上的测试,验证了该模型的有效性。2)考虑到多变量单来源的多元时间序列数据除了受自身历史值的影响外还受其他变量的影响,本文对其进行了特征构造,除了采集到的其它影响因素外,还构造了数据在不同频率下的均值和方差这种数据本身具备的特征,以弥补模型对于数据特性特征方面的学习。在特征构造的基础上,利用PCA降维,在降低维度的同时,尽可能的保存更多的数据信息。在一定程度上剔除了冗余数据,提高预测精度的同时也可以缩短训练时长。而后,利用改进的时间卷积网络DATCN模型来提高电量负荷预测的精度。DATCN模型利用堆叠式的深度时间卷积网络TCN来学习更长时间步的依赖信息后利用自注意力机制捕捉数据的内部相关性来进一步提高网络的预测精度。本文在两个不同的地区的真实的电量负荷数据下面对模型做了测试,证明了模型的有效性。