时间序列分析是一门针对一定时间间隔下的时序数据进行数据处理和建模的科学。它在许多领域都发挥着至关重要的作用,如金融、医疗、气象观测、人口普查、网站流量和交通领域等。时间序列预测作为时间序列分析的核心任务之一,它根据时间序列的发展、趋势进行推理、延展,进而预测下一系列时刻的状态。随着海量数据的产生,时序预测问题由简单的单一序列预测变为多序列预测,由低维时序特征变为高维复杂的时序特征。时序预测模型也根据数据特征的变化由经典的自回归模型逐步向复杂的非线性模型转变,如采用卷积神经网络和循环神经网络等深度学习模型。深度学习中的序列模型与时序中多步预测问题有着紧密的联系,两者均要求根据已知序列进行建模,输出不等长的新序列。“编码-解码”框架是处理序列模型的有效方式之一,编码和解码两个阶段均可采用不同的网络模型进行处理。本文在编码阶段除了采用循环神经网络GRU,还利用时间卷积网络扩展输入数据的跨度,增加GRU每个神经元节点所覆盖的历史信息。在“编码-解码”框架的基础上,本文还引入了多个Attention机制使模型关注局部特征。一种是在编码阶段增加自注意力层,根据输入向量自身的相关性生成自注意力特征。另一种是在编码和解码中,采用滑动窗口的方式构造不同解码步长对应的中间向量,增加模型灵活性,减少参数,加快模型运算速度。基于该两种Attention机制,本文提出了双阶段Attention机制的时序预测模型。最后,本文针对多序列的多步预测问题,采用网络流量数据进行实验研究,利用TensorFlow-GPU实现深度学习模型,对比多种基于“编码-解码”框架的深度学习神经网络模型并验证算法效果,最终发现基于时间卷积网络编码和双阶段Attention机制的模型的效果更为有效。