随着信息时代的到来与科技的快速发展,数据成为一种重要的生产资料而越来越得到研究人员的关注和重视。具有时空特征的数据（例如交通时空数据、人员迁徙、天气记录等）因为其本身具有的时间和空间依赖性而在现实的预测研究中对缓解交通压力、预防化解重大安全风险等具有积极意义。基于上述问题,本文针对时空序列预测展开了具有创新性的研究,并进行了实证工作,具体工作如下:首先,本文设计了一个基于神经网络的时空序列预测框架。本框架从具有时间依赖性和空间依赖性的数据出发,通过一系列不同算子集合的操作,对时空序列进行分析和预测。框架中详细设计了数据预处理算子、时空数据拓扑结构构建算子以及时空序列预测算子,并在最后提出了一种基于神经网络的时空预测算子实例。其次,提出了一个时空序列预测模型——时空对抗神经网络模型（S T-GANN）。本模型的基本结构包含了生成器和鉴别器两部分,其可以同时学习数据复杂的时间和空间特征及其之间复杂的关系,并通过对抗性损失来约束最终输出分布。在基于时空数据的实验表明,本方法比较好的学习到了交通数据在时间和空间维度上的特征,实验结果中的均方误差、准确率等指标均优于对比方法。最后,基于真实场景完成了时空序列预测的实证分析。基于新冠疫情死亡、确诊人数等指标做了数据分析和疫情发展趋势预测,并将其趋势和国家（地区）人口、旅游业人数之间的关系做了相关性分析,这进一步验证了提出的时空序列预测框架的有效性和适用性。综上,本文设计了一个基于神经网络的时空序列预测框架,提出了基于时空序列的时空对抗神经网络模型来学习数据的时空依赖性,并在真实数据上做了实证,取得了较好的实验效果;最后在真实场景中基于实证工作验证了本框架和模型的有效性。