随着互联网技术的快速发展,社会各个领域产生大量的时间序列数据,数据背后往往隐藏着重要信息和变化规律,如何准确获取隐藏的信息和预测时间序列数据的变化趋势,仍然存在在很多困难,在提高时间序列数据预测的准确性方面有很大提升空间。深度学习算法的突破,推动了人工智能技术的快速发展。相比于统计学和计量学中的数学模型,深度学习算法在时间序列数据挖掘上更具优势。论文首先通过研究机器学习中的线性回归、支持向量机来探讨机器学习在时间序列数据挖掘中的适用性,通过理论研究和仿真分析,可知机器学习在时间序列数据挖掘中具有局限性。论文接着研究深度学习中前馈深度网络结构、激活函数和训练优化方法,并基于BP算法推导深度学习网络前向计算和权重更新过程。通过推导过程可以看出前馈深度网络在时间序列上没有关联性,并解释了前馈深度网络在时间序列数据预测上的不合理性,同时引入具有时序概念的循环神经网络(RNN),从理论上推导循环神经网络处理时间序列数据的可行性。由于循环神经网络在训练过程中存在梯度消失和梯度爆炸的问题,提出改进的LSTM神经网络,深入研究LSTM神经网络内部结构和权重更新过程,从理论上分析LSTM神经网络在处理时间序列数据上的优势和局限性,优化网络结构,并针对LSTM神经网络训练过程过于依赖学习速率的问题,提出Ada Split优化学习速率算法,优化后的LSTM神经网络能够准确预测时间序列数据。通过大量仿真实验对支持向量机、循环神经网络和优化后的LSTM神经网络进行验证,可视化仿真结果显示,优化后的LSTM神经网络相比于支持向量机和循环神经网络,预测准确率高、拟合效果好。