数据分析研究目前仍是行业热点,相关学者从数据分析关键技术中的异常检测、入侵检测、时间序列预测等角度展开研究。然而,现有研究在时间序列预测方面存在诸多局限性,没有考虑到复杂且规模庞大数据的计算消耗,忽视了非平稳数据的时间协变量漂移问题,缺乏一个实时、精准且泛化性能强的预测模型。本文从时间序列预测的视角,运用深度学习理论,构建Fast＿TS（Fast Time Series）预测模型,优化预测的准确率和计算量问题;通过实验证实该模型面对复杂庞大数据时兼具预测精准和计算量小两大特点。在此基础上,提出自适应预测方法A＿Fast＿TS（Adaptive Fast＿TS）,提高非平稳时间序列预测的泛化性。本文主要工作如下:（1）提出一种稀疏型加注意力机制方法Fast＿TS,该方法使得Transformer类时间预测模型的时间复杂度降低到O（N）,同时通过增加主要向量其相对应的注意力权重以提高信息利用率。通过公开数据集ETTh1、ETTh2、ETTm1以及内部数据集fighter实证Fast＿TS算法在面对不同预测窗口长度或不同输入窗口长度下的长时间序列预测问题时,具备较高水平的预测精度和较低计算量。Fast＿TS算法的RMSE在单变量预测时比2020年的Reformer算法平均下降55.71%,多变量预测时比LSTNet平均下降79.89%;在不同输入窗口长度下的预测实验中,Fast＿TS的效果最佳,预测准确率和Transformer相差仅为0.001,高于LSTM*的17%左右。（2）针对非平稳时间序列时间协变量漂移（Time Convariate Shift,TCS）问题,提出了基于Fast＿TS的自适应预测算法。最后在Air quality数据集上通过指标RMSE以及MAE,对比Prophet、ARIMA、GRU、MMD-RNN、DANN-RNN、Light GBM、LSTNet、Transformer、STRIPE、ADARNN算法以及Fast＿TS算法来验证A＿Fast＿TS算法的有效性。实验结果表明,A＿Fast＿TS在任意数据站点上的RMSE和MAE均为最小,表明该算法的预测优越性,且该模型具有较优良的泛化性,RMSE值在Dongsi站点上比2021年的Prophet减少15.87%,在Tiantan站点上比2021年的Prophet减少13.14%。（3）设计一种空中目标的意图预测系统,实现基于当前感知态势的未来意图预测。该系统包括数据处理、平行推演、预测以及可视化模块。预测模块利用前文的Fast＿TS算法改善了空中目标意图预测准确率不高、预测慢的问题。