多变量时间序列数据在日常生活中分布广泛,并且多变量时间序列预测的重要性日益显现,在交通、金融、能源等众多领域中持续得到广泛研究。在此背景下,本文设计并实现了一种全新的多变量时间序列预测模型,并将其应用在实际的地铁客流预测数据集上。在实际的场景下,时间序列数据很少单独存在,通常是多变量序列数据同时出现,序列间相互影响并且有着错综复杂的相互关系。除了序列间的相互关系之外,序列内部存在的多种周期模式与长短期依赖也是取得出色预测结果的所必须要考虑的条件。现有的绝大多数模型都无法应对实际场景下的复杂数据,或者很难从某一场景迁移到另一场景中,泛化性能不足。因此,本文除了使用传统的卷积与循环神经网络,也综合了时间序列聚类算法与自注意力机制,综合考虑了多变量序列数据的特点与现有模型的弊端,建立了深度模型进行多变量序列预测。模型比较好的解决了捕捉序列间相互关系与多种周期模式的难题,在公共数据集与实际数据集中都取得了很好的效果。本文的模型由数据分解器、短时输入预测部分、长时输入预测部分与结果输出层四个部分组成。在数据分解器中,模型将预处理完的数据分为长时输入与短时输入两个部分,将序列特征拆分以便于模型学习。短时预测部分采用了卷积神经网络与循环神经网络,学习序列中的多种周期信息与短期依赖;长时预测部分采用了时间序列聚类算法与自注意力机制,学习序列间相互关系与长期依赖。结果输出层融合两部分的表示,生成最终的预测结果。本文通过多组数据集多种时间窗口上的对比试验说明提出模型的优越性与普适性,在实际的地铁客流数据集上也取得了优于现有模型的效果,具有很强的泛化性能。