时间序列是重要的数据形式,对时间序列的有效分析和精准预测具有重要的现实意义。时间序列数据通常具有长期的复杂非线性和高波动性,传统的时间序列分析方法效果不佳,还面临着模型和参数选择困难、灵活性和适用性差的问题。深度学习方法具有非线性能力强、精度高、适用于大样本等特点,非常贴合时间序列建模的要求。时间序列普遍存在周期性,理论上周期性特征对时间序列预测等任务有很大的帮助。针对蕴含周期性的时间序列,本文以周期分解为出发点,发展出一系列基于深度学习的时间序列预测算法,并在欧洲能源交易所法国日前交易市场的电力价格数据上进行验证。主要的研究内容包括:(1)分析了常用的周期分解算法的原理和缺陷。为了改进缺陷,提出了基于多层门控循环神经网络的时间序列周期分解模型,并提出了相应的约束损失函数。周期分解结果表明,模型具有灵活高效、实时性好、抗扰动能力强等优点,比传统算法更具优势。(2)在时间序列预测模型的基础上加入周期分解模型,提出了基于周期分解的时间序列预测模型,改善学习长时依赖的能力,有效提升了时间序列预测的精度。针对时间序列的长时预测,提出了两种结合周期分解的长时预测模型,都具有稳定的长时预测效果。(3)分析了时间序列预测中的不确定性,指出预测区间估计的必要性。分析了通用的上下界直接估计(Lower Upper Bound Estimation,LUBE)方法和改进的LUBE方法对时间序列预测区间估计的适用性。进一步提出了基于循环神经网络的预测区间估计模型和训练流程。在此基础上,使用去除了周期性序列的数据训练模型,预测区间的估计效果取得了显著提升。