随着科技的进步,人工智能技术也随之快速发展,逐渐表现出了优秀的性能和潜力。其中最受世人瞩目的是深度神经网络,深度神经网络中的循环神经网络和卷积神经网络分别是围绕时间和空间开展的网络模型。时间序列作为最重要的时间数据,如何通过学习时间序列的历史规律,预测其未来变化趋势一直都是学者们研究的重点课题且具有重要的应用价值。正确的预测时间序列可以为人们带来很多的便利如交通导流、股票预测等,而传统的时间序列分析因为方法存在的缺陷性一度达到瓶颈,所以,神经网络模型用于处理时间序列预测中出现的新问题。本文首先介绍了传统的时间序列分析方法和一些神经网络方法。传统的时间序列方法包括移动平均模型(MA)、自回归模型(AR)以及自回归移动平均模型(ARMA)等,这些传统方法适用于宽平稳的时间序列,宽平稳序列的特征是整个时间序列的统计特性不随时间的平移而改变,也就是均值和协方差不随时间的平移而变化。但传统的方法存在不足的地方,对于非宽平稳的时间序列,这些方法的效果通常不理想,并且对于股票数据这种复杂性、非线性极强的时间序列预测效果也很有限。神经网络方法包括BP神经网络和循环神经网络(RNN),这两种方法均是利用神经网络极强的学习能力通过已有数据学习特征来进行预测。相比传统方法,神经网络方法的准确性更高并且能够适用于大部分时间序列,其中循环神经网络在处理时间序列问题时通常有着更优异的表现。它们同样存在一些不足,BP神经网络是一种局部搜索的优化方法,很容易陷入局部极值导致训练失败,而循环神经网络容易产生梯度爆炸和梯度消失问题且很难处理长依赖问题,当时间序列的跨度较大时预测结果往往不够理想。本文针对深度神经网络中循环神经网络的梯度爆炸、梯度消失和长依赖问题,提出了采用长短时记忆网络(LSTM)及其变体门控循环单元(GRU)作为时间序列预测的基础模型。在此基础上,提出将长短时记忆网络和门控循环单元结合构建出了一个新的模型(GRU-LSTM),该模型相较于门控循环单元更复杂,学习到的特征更多,精确度更高,而相较于长短时记忆网络参数量更少,方便训练。这三种模型均可以有效地在时间维度上预测时间序列,但是却基本没有考虑到空间维度。为了结合时间和空间对时间序列进行预测,进一步提出了一种将图卷积神经网络与GRU-LSTM网络结合的新型网络模型,称之为GC-GLSTM模型。该模型充分利用了时空信息,其原理是先使用图卷积网络处理空间信息,然后再利用门控循环单元和长短时记忆网络处理时间信息。本文使用了股票数据(大连热电600719、大连友谊000679)和交通数据这两种时间序列来测试四种模型,其中股票数据不具有空间结构,而交通数据具有特定的空间结构。最后对各个模型的性能进行了分析比较,从中选出最优的预测模型,并对两种具有代表性的时间序列进行了总结归纳。实验结果表明在时间序列中引入空间信息确实能改进最终的预测结果。本文的创新点如下:(1)本文将传统的LSTM及GRU相结合,构建了一种新的GRU-LSTM网络。同时为了利用时间序列中的空间信息,本文将图卷积网络与循环神经网络结合,构建GC-GLSTM网络,并根据皮尔逊相关系数对时间序列赋予了图结构,实验结果表明,加入了空间信息的GC-GLSTM网络要优于其他的循环神经网络。(2)本文选择了两种不同类型的时间序列数据来体现模型的普遍性。而且为了更好的评价各模型的差异,本文采取不同的评价指标,并将本文的模型结果与长短时记忆网络、门控循环单元比较。实验结果表明,本文的模型能够适用于这两种不同种类的时间序列。