现代过程企业已经广泛应用了计算机控制与管理系统,采集并存储了大量工业过程运行变量的时间序列数据,其中蕴含了丰富的工业过程演变规律和运行知识,可以有效地支持对多变量过程参数进行时间序列预测,建立起保障生产过程安全、稳定和优化的运行环境。常规的工业过程时间序列数据预测通常基于单一的时间尺度,难以兼顾短期、中期和长期预测性能。为此,本论文从多任务学习角度出发,提出了一种利用多时间尺度数据对工业过程多元时间序列进行预测的研究思路,建立深度网络模型,对时间序列的不同时间尺度信息进行学习,利用不同时间尺度上多元时间序列的相关性,完成对工业过程时间序列的预测。论文主要完成的内容和取得的成果如下:1、提出了一种多并行确定性跳跃循环储备池网络,采用简洁优越的环状跳跃储备池和记忆性更强的漏积分神经元填充并行结构,降低并行网络带来的空间复杂度,同时也提高了储备池的动态多样性。此网络可以并行处理不同时间尺度的序列数据,从多个时间维度挖掘变量之间的关联性与差异性,充分利用变量的多时间尺度特征进行关键变量的时间序列数值预测。2、数值预测关注了时间序列的数值型信息,但是忽略了数值背后的趋势性规律。为了更有效地挖掘工业过程时间序列数据的价值,进一步识别关键预测变量的趋势性变化信息,将原始时间序列进行等段分割并对分段子序列进行线性拟合,同时计算子序列段的斜率、截距和时间间隔,用以表征时间序列的趋势特征,从而将时间序列数据转化成用趋势信息表示的低维数据。在此基础上,采用所提出的网络对多元时间序列进行趋势预测。3、将所提方法应用于一个工业煤气化过程,对汽包液位进行数值和趋势预测,并把预测结果与单一时间尺度进行对比,验证了所建立的多时间尺度工业过程多元时间序列预测方法的有效性和优势。