时间序列是按时间刻度有序并且互相关联的数据序列,数据特征随时间具有一定的变化规律。时间序列预测已经在商业、环境、医学、工业等各个领域得到了广泛的关注。实现准确的预测对节约资源、提高效率、减少成本、优化配置等方面都具有重要的作用。时间序列预测方法是根据历史的时间序列数据、相关特征等推算未来观测值的手段。目前时间序列数据预测的方法以深度学习模型为主,虽然取得了很多研究成果,但是在时间序列数据的预处理、周期性特征提取和高维时间序列数据的模糊预测等方面仍然存在很多不足。针对日常生活中时序数据丢失、异常等问题,提出了一种基于边界均衡生成对抗网络（BEGAN）和生成对抗插补网络（GAIN）模型融合（BE-GAIN）的时序数据预处理方法。该方法可以对识别后的异常和缺失数据进行数据插补,它在插补过程中利用比例控制系数保证插补均衡,同时对GAIN进行损失重构,利用全局收敛测度稳定收敛,对异常和缺失数据产生最优估计。实验使用五种不同领域的时间序列数据集进行验证,结果表明BE-GAIN与常用的插补算法相比,具有更高的插补性能,为后续预测建立了可靠的数据集。复杂的周期性特征提取一直是目前时间序列预测研究的难点。针对此问题,提出了一种基于时间卷积网络（TCN）与自注意力（Self-Attention）机制的融合网络模型（TSANet）。TSANet模型首先使用TCN作为核心预测模型,再使用并行的全局、局部卷积模块和Self-Attention的融合结构加强特征关联度,以长短期记忆网络（LSTM）作为局部卷积模块的单元组件,最终再利用自回归（AR）模型作为捕捉线性特征的手段。实验结果表明,TSANet模型和主流的深度学习模型相比,拥有更高水平的预测性能。高维时间序列数据在TSANet和大多数复杂的深度模型上预测的成本较高。为了降低预测的复杂度,针对高维时间序列数据模糊的应用场景,提出了一种基于矩阵分解（MF）模型和TSANet融合的网络模型（TSANet-MF）。TSANet-MF模型利用TSANet模型进行MF模型的时间正则化从而进一步提升了高维时间序列数据到低维时间序列数据训练时的转换性能,最终利用TSANet实现原始数据的快速模糊预测。实验结果表明,TSANet-MF模型和TSANet相比具有更高的预测效率,同时和基准模型相比,同样具有优秀的预测性能。