时空序列数据预测是时空序列数据分析的一大分支,该分支也是过去几十年间时空序列数据分析的重点研究领域。国内外的很多学者在时空序列预测领域已经取得了很多突破性的成果,并且根据不同的预测任务提出了各种不同的经典算法。然而,随着各种新型的时空序列数据的积累与新的应用要求,比如网约车,物流运输、餐饮预订等服务平台上的时空数据积累以及这些时空序列数据基础上的供需预测,时空序列预测任务也出现了亟待解决的新挑战:其一是同时预测未来连续的多个时间段上的序列值,即多步时空序列预测。传统的时空序列预测大多是单步的,只关注未来一个时间段上的预测;其次是考虑预测值之间的上下文相关关系,未来预测值之间往往也是互相相关的,建模预测值之间的相关关系无疑能够提升预测性能;其三是,如何将已观测数据中的时空相关关系和未观测的预测值之间的上下文相关关系进行融合,从而提出一个通用的预测框架。本论文针对以上三个挑战,对时空序列数据在未来连续的多个时间段上的协同预测进行了研究和扩展,主要的工作贡献有:1.提出了一个多步预测的时空神经网络,该网络一方面利用循环神经网络提取历史时空数据中的时序依赖关系,另一方面在循环网络内部使用卷积层来提取序列的空间位置相关性。2.提出了一个三维的连续条件随机场来构建未来多个时间段上的序列预测值之间的上下文相关关系。该连续条件随机场的特征与输出都服从连续分布。此外,还提出了分别基于神经网络和基于团的特征权重优化的策略。在两类真实的时空序列数据集上对我们提出的算法框架进行了一系列实验和性能评估。实验结果表明,本论文提出的模型和协同预测框架能够取得较好的预测效果。此外,论文工作中根据数据集特点分别对关键参数进行了进一步分析与总结。