时间序列预测在经济、金融、能源、运输、医疗、气象和商业等众多领域发挥着关键作用。它赋予人们预见机会的能力,并指导人们做出决策。在时间序列预测领域,多变量、多步预测是最具挑战性的任务之一。随着预测步长的增加,误差可能会随之累积。通常需要一些辅助变量来支持目标变量的预测。如何刻画目标变量与辅助变量之间的关系是一个重要的研究课题。近年来,随着深度学习的兴起,并在诸多领域取得显著成果,不少文献也对其在时间序列预测中的应用做了许多尝试。与传统方法相比,基于深度神经网络的方法能够更好地捕捉时间序列数据的高维特征。然而,由于现实世界时间序列固有的复杂模态,需要特征工程来获得良好的预测结果。传统的人工特征工程缺乏通用性和鲁棒性,往往预测特定的时间序列需要特定的模型和特征工程。此外,目前基于深度学习的方法普遍存在不具有可解释性的问题,这导致通过“黑盒子”预测得到的结果欠缺说服力。解决上述问题是本文研究的出发点。在模型中,本文引入了自分解机制和自注意机制,其中自分解网络用于自动进行特征分解和特征提取,自注意模块用于捕获不同重要性的数据。此外,本文还提出了一种变量选择网络来自适应地处理特征:抑制不重要的部分,增强重要的特征的感知。该模型基于自动特征工程,具有较强的特征表达能力。通过自分解网络和变量选择网络的特征可视化,可以让人看到深度神经网络的“黑盒子”的内在机制。此外,本文的模型在处理许多不同类型的时间序列数据方面具有通用性,其预测精度也优于文献中典型的DNN方法。