近年来,随着信息技术的快速发展,时间序列数据预测相关的问题在金融、交通、环境等领域不断涌现。不同的应用场景对时间序列数据产生了不同的处理需求,这些问题用传统的时间序列方法无法得到较好的解决。例如,在对多变量时间序列预测问题的研究中,传统的时间序列预测方法难以对具有高度复杂性和非线性的时序数据进行建模,且难以捕获数据在时间上的依赖关系。针对非平稳以及具有突变特征的多变量时间序列,如何考虑各个变量之间的相互作用并捕捉数据中存在的依赖模式仍然是多变量时间序列预测的一大挑战。本文针对非平稳序列预测效果不佳的问题,提出了基于记忆网络的时间序列单步预测(MNTS)模型,通过对损失函数的改进,进一步提出了多步预测模型(MNTS-MS),主要研究内容及成果如下:(1)考虑到不同历史时期的数据重要性不同,本文将输入数据划分为两部分,一部分为短期历史数据,另一部分为长期历史数据,分别用于捕获数据中的近期依赖以及长期依赖模式。在此基础上,提出时间序列单步预测模型MNTS。MNTS由两个结构相同的编码器和一个记忆组件组成,编码器能有效提取数据的局部特征和全局特征,以及对变量之间的相关关系进行建模,记忆组件是用来存储经过编码器编码的长期历史数据,此外,还设计了一种时间注意力模式,利用短期历史数据的嵌入来对记忆组件中存储的信息进行抽取,使得MNTS模型具有了一定的可解释性,可以很容易地知道历史数据中的哪个部分对预测结果的重要性更高。(2)针对数据间隔短,需要预测未来多个时刻值的场景,本文在上述单步预测基础上,进一步对时间序列多步预测问题进行了研究。非平稳序列多步预测容易造成误差放大,准确率不高,因而在单步预测MNTS模型基础上对损失函数进行了改进,提出了多步预测MNTS-MS模型。考虑将预测序列与真实序列之间的形状误差、时间误差以及均方误差相结合共同作为其损失函数,使得改进后的损失函数适应于评价序列之间的整体差异,而不再局限于评价点与点之间的个体差异。(3)本文选取了多变量时间序列的一个标准数据集和一个列车制动系统的真实数据集,分别对单步预测模型MNTS和多步预测模型MNTS-MS进行了实验,实验结果表明,本文所提出的MNTS和MNTS-MS模型在多变量时间序列上的单步和多步预测效果优于现有的预测方法,说明本文所提出的模型对非平稳序列建模的有效性,能够更好的挖掘时间序列数据中的依赖模式。本文将提出的多步预测模型MNTS-MS作为故障预警引擎,在列车制动系统故障预警系统中进行了实际应用,进一步验证了本文工作的实际意义与应用价值。