互联网和信息技术正在高速发展,随之产生的数据量也在爆炸式增长。深入分析巨大数据资源中的相关信息,可用于科学决策。庞大的数据量中存在一种重要的时间序列数据。但是,时间序列通常展现出高维、非平稳、非线性等特征。尤其在大数据时代,新的数据形式和数据中变量间的新型复杂关系给时间序列预测带来前所未有的挑战。长短时记忆网络（Long short-term memory,LSTM）具有优异的时间序列学习能力,这使其成为目前时间序列预测领域的一个研究热点。本研究基于LSTM,研究各行业具体的时间序列预测问题,主要内容包括三个方面:首先,提出了基于差分进化算法（Differential evolution algorithm,DE）的LSTM预测模型（DE-LSTM）。有效利用DE算法的优化能力和LSTM的时序学习能力,来解决电力价格预测问题。针对LSTM参数和电力价格的滞后期难以确定的问题,该预测模型有效利用DE算法的优化能力来找到LSTM的重要参数和电力价格的滞后期。利用三个电力价格预测案例验证了DE-LSTM方法的性能,并对DE-LSTM方法的适应度值选择、数据划分方式和DE算法的相关参数进行了敏感性分析。其次,提出了RF-DE-LSTM组合预测模型,该模型融合了随机森林（Random forest,RF）的特征选择能力、DE算法的优化能力和LSTM的非线性序列拟合能力。高维时间序列影响因素众多,数据特征不一,LSTM难以直接从高维空间中有效学习序列特征。RF-DE-LSTM组合预测模型首先利用RF算法从众多网络搜索指数关键词中选择少量关键词来降低数据维度,然后利用DE算法对选择的网络搜索指数关键词和历史游客量的滞后期进行优化,最后利用LSTM对输入特征和旅游游客量进行回归建模,得到最终的预测结果。两个游客量实际案例分析结果表明,提出的RF-DE-LSTM的性能要优于一些常用的预测模型。最后,提出了EWT-attention-LSTM预测模型,该模型融合了经验小波变换（Empirical wavelet transform,EWT）模型的序列分解能力,注意力机制的关键信息捕捉能力以及LSTM的时序学习能力。为了对LSTM的输入输出进行关系评估,首先通过EWT对原始能源消耗数据进行分解,再利用注意力机制对能源消耗预测的影响因素赋予不同的权重,来突出更关键的影响因素,最后利用LSTM对EWT分解的各分量进行预测。通过三个月度能源消耗案例验证了EWT-attention-LSTM预测模型的性能。