进入21世纪以来,全球工业生产高速发展,新一代智能信息技术和工业生产相互融合。数据采集系统在工业生产过程中的普及,收集到了大量高维度的多变量工业时间序列数据。这些数据包含了生产过程中的工况调整、运行规律、和异常状态等丰富的信息。同时操作人员希望预先了解某些关键指标的未来变化趋势,从而实现性能预测、节能减排、提高生产效率等功能。因此,针对工业时间序列数据的预测任务成为了相关人员的主要研究对象之一。然而,随着当前工业生产规模以及复杂程度的不断提高,收集到的工业数据蕴含信息复杂,且具有关联性强、强非线性、以及多模态等特性,使得数据分析预测难度增大。因此,本文针对具有上述特性的工业时间序列数据预测任务开展研究:（1）在复杂工业系统中,时间序列数据大多以多变量形式存在。数据中变量之间相互影响,蕴含信息复杂。为了充分的提取这些隐含信息,我们提出了一个具有点关注特征融合的多分支神经网络（MS-PANet）模型用于工业时序数据短时预测任务。受分工协作思想的启发,设计了一个两阶段的网络模型。在分工阶段,多个分支相互分工,独立工作,提高各自分支的专业化能力。在协作阶段,提出一种点关注机制方法,可以有效地融合分工阶段提取到的多种特征信息,提高模型预测性能。并在众多领域数据集的实验中得到验证,MS-PANet具有更好的预测性能。（2）相较于短时时间序列预测,长时时间序列预测在实际工业生产中更有意义。为了有效地捕捉极长的输入数据中的长期依赖关系,同时提高模型运算效率,提出了基于分而治之算法的高效循环神经网络模型,称为DC-RNN。使用全局库的思想改进了标准的门控循环单元（GRU）模型,提出全局GRU模型,保留了更多关于长距离序列的信息。此外,我们使用分而治之算法,使得DC-RNN可以高效地完成长距离输入序列的特征信息提取。与其他模型相比,DC-RNN模型运算效率高,时间复杂度低,实现了并行化。同时获得了更好的预测性能。（3）实际工业生产过程中收集到的大量工业时序数据都具有很高的维度和冗余。直接使用这些高维数据进行预测会产生模型复杂度高、噪音大等问题。因此,结合注意力机制和GRU模型,提出了一个动态特征选择模型（DFS-GRU）。该方法首先对所有时间步骤的输入变量数据进行融合,以关注更遥远的时刻,提高模型的记忆能力。随后,利用注意力机制对所有的特征变量进行评分,实现变量重要性的排序,去除冗余的特征变量,同时有助于揭示流程工业生产的内在机理。最后通过使用GRU作为预测器,完成对关键指标的预测。实验结果表明,与其他基线模型相比,所提出的DFS-GRU具有更好的预测性能。