本文从公共数据预测的研究背景入手,在现有机器学习方法的基础上,阐述了深度学习方法以及相关领域公共数据分析的研究现状,针对音乐领域和气象领域的公共大数据预测,主要开展了以下工作:(1)本文针对特定时间段内的阿里云音乐数据集,以最大互信息系数方法选取组合“日播放量”和“连续3天播放均值”作为未来歌手歌曲播放量预测的组合指标。利用长短时记忆网络与注意力机制相结合的预测模型开展特定时间段内相关歌手歌曲播放量的预测研究。相较于单一的长短时记忆网络模型和支持向量机方法,本文所采用的方法在给定的评价指标上,取得了较为优异的结果;(2)对选取的青海湖历史气象数据集,选取“1.5米平均气温”和“1.5米平均水气压”以及历史降水量作为组合指标进行目标的预测。采用双向长短时记忆网络与注意力机制相结合的方法,构建青海湖短时降水量预测模型。实现对未来48小时之内的青海湖短时降水量的预测。相较于对比模型Bi LSTM、LSTM-Attention方法,在平均绝对误差和均方根误差两个指标上,本文所采用的模型明显优于其它两种模型。本文主要针对相关领域的时间序列公共数据预测进行了分析和实验仿真,实验结果表明所采用的基于深度学习的组合模型展现了较为优异的成绩,为今后其它领域公共数据的预测研究提供了一定的思路。