数据预测被认为是当代数据挖掘领域中最具有挑战性的问题之一,时间序列数据作为数据挖掘领域的重要组成部分,受到各领域学者的广泛关注。随着互联网时代的来临,时间序列数据预测技术的可用性与日俱增。时间序列广泛存在于金融、交通、医疗、能源等各个领域。准确地对时间序列数据进行预测,将为各行各业带来极大的帮助。探索对复杂非线性、非平稳时间序列建模并对其进行准确的预测方法变得尤为重要。本文探讨了国内外对于时间序列分析方法的研究现状,对比分析了各种方法的特点和适用性。针对宏观经济学领域的一个具体问题,讨论如何在对时间序列分析的基础上,建立相应的模型,以及评价模型在预测过程中的优势。具体研究内容如下:本文首先对时间序列数据样本的分布进行检验,通过Box-Cox变换改善时间序列样本的方差齐性和正态分布性,降低了预测变量与不可观测误差间的相关性;不同于通过差分等方式消除时间序列中非平稳信息的影响以满足统计学预测方法的前置条件的方法,本文对非平稳时间序列分解,从趋势、季节和随机项三个角度对时间序列进行分析。对趋势信息采用指数平滑法进行建模,并根据历史数据的影响确定权重增加趋势信息的修正,能够准确地对长期趋势因素进行建模;针对时间序列中包含非趋势、非季节信息的随机项使用长短期记忆网络进行建模以拟合时间序列中非线性信息,准确的对短期的波动因素建模;最后,利用组合模型思想对各模型的预测结果进行重构,综合不同模型的特点得到对原始时间序列预测的最终结果。实验结果表明:算法保留了时间序列中的整体趋势信息、季节性变化信息和随机波动信息,在训练过程中的拟合精度和预测过程中的预测精度都有更好的结果;相比于深层多神经元的复杂神经网络结构建模,本文使用更为简单的长短期记忆网络结构,一定程度上缓解了复杂神经网络模型训练优化难度大和过拟合等问题的发生。