随着数据采集设备智能化及自动化的不断发展,数据采集更加方便,数据采集的内容更具多样性,数据维度不断增加,采集频次也在不断增强。当前,气象数据的采集多呈现为以分钟记录。气象部门在气象监测设备的更新与改造方面每年投入大量的资金,其目的并不只是为了记录数据,而是通过收集数据期望能够从中挖掘出某些气象规律,更好地服务于经济社会之需。近年来,随着深度神经网络技术地发展,研究人员在利用时间序列进行预报方面做了大量地工作,并取得了显著地进步。然而,时间序列预报的精确性和时效性仍是预报模型研究的热点。为此,本文提出两种基于神经网络的多变量时间序列预报模型及一种动态预报机制:（1）基于多变量输入的Bi LSTM-AM短时序列预报模型该模型由两层多维变量双向长短期记忆网络、一个注意力机制（Attention Mechanism,AM）构成的注意力分配器及由两个单隐层构成的全连接网组成。模型的优点是,利用Bi-LSTM的双向学习能力来改善模型的预报精度,进而利用注意力分配器有效地选择性提取不同时间步上地关键信息。（2）基于CNN-BLSTM的混合神经网络序列预报模型为了能更好地学习不同变量与目标变量之间的关联性,解决不同变量之间的相关性问题,该模型在Bi-LSTM网络基础上,通过增加卷积神经网络（Convolutional Neural Network,CNN）子模块来提取输入数据中多维变量间的平行特征,而Bi-LSTM则用于提取沿时间轴方向上的数据特征并进行编码。（3）为了解决数据量大、数据不断动态变化的问题,实现实时在线预报的时效性及高精度性,本文也提出了一种即时学习即时预报的动态递归学习-预报机制（Dynamic Recurrent Prediction Mechanism,DRPM）,并用于以上两个模型。对于上述两个模型及DRPM机制,在江苏省高速公路网2016至2019年路温数据集上实施评测,主要评价指标为MAE、MRE和RMSE。将两个模型与ARIMA、NARX RNN、CNN-LSTM和DA-RNN等预报模型在各个评价指标进行对比,实验结果表明,本文所提出的两种模型在各指标上均优于被比较模型,显示出本文模型在预报精度和稳定性上提升明显。