近几年,随着我国大数据技术的迅猛发展,在金融、电力、工业等领域已收集到巨量时间序列数据。时间序列预测技术能够深度挖掘时间序列数据的变化规律和趋势,并对相关领域未来的发展变化做出相对科学的推断。时间序列预测模型已被广泛地应用于电功率预测、股票分析预测以及空气质量指标预测等众多领域中。时间序列的预测方法可以分为点预测和概率区间预测,其中点预测只能得到均值预测,预测结果往往不够准确,存在一定的不确定性且其程度难以估计。目前,概率区间预测方法存在需要分布假设、计算复杂度高和区间交叉越界等问题。为了优化估计时间序列预测的不确定性程度,本文基于预测区间的高质量区间原则,考虑不同置信水平下区间之间的关系,并利用Sigmoid函数软化技巧,提出一种新的无分布假设且连续可导的多区间损失函数。本文利用新的损失函数与深度学习相结合建立多区间联合预测的模型,并通过数值模拟数据和公开数据验证模型的有效性和实用性。实验结果表明,多区间损失函数不仅能够有效解决区间的越界交叉问题,而且能够高效合理地量化预测的不确定性,与所选的参考模型相比较,本文所提方法的预测区间性能最高提升20%以上。