随着互联网、物联网的不断发展,时间序列数据的维度也迅速增长,随之而来的是时间序列模型复杂度成倍增加,这给时间序列预测带来各种挑战。首先,时间序列预测任务依托于现实环境下,因此任务本身具有时效性,要求预测模型在一定时间内计算出相应预测结果。此外,时间序列维度的增长同时让时序数据呈现高度非线性的特点,要求预测模型具有高度的函数拟合能力。因此,在现实环境下同时提高预测模型的学习效率与预测精度具有非常重要的现实意义。本文针对上述时间序列预测面临的难题,研究基于深度信念网络的时间序列预测模型:(1)针对现实系统下时间序列数据具有时效性、受噪声干扰以及关系函数复杂的特点,提出了一种基于深度信念网络与门控循环单元的混合神经网络预测模型(Deep Belief Network-Gated Recurrent Unit,DBN-GRU)。首先通过引入经验模态分解对时间序列信号进行分解从而抑制噪声的影响,之后运用深度信念网络的预训练机制对网络权重进行训练,从而提取时间序列数据高维特征并优化后续网络参数。最后通过门控循环单元的门结构对数据时间相关性进行记忆学习,同时强化模型提取数据时空关系的能力。最终实验表明DBN-GRU具有强大的函数拟合能力并能够满足小时以内的实时性要求。(2)针对深度信念网络只能对单一时间序列因子进行预测的问题,提出一种基于神经胶质链的改进深度信念网络预测模型(Deep Belief Network-glial-Gated Recurrent Unit,DBN-g-GRU)。引入神经胶质辅助隐含层神经元学习其他时间序列数据相关信息,增强预测模型应对强耦合时间序列的学习能力。神经胶质以链的形式进行连接,单方向传递激活脉冲,加速了整体网络的学习速度。实验表明,DBN-g-GRU模型能够在强耦合时间序列环境下取得良好的预测结果。