数据采集、存储技术在工业界的不断普及,使得企业积累了大量的历史数据,工业数据中蕴含的隐藏信息,对于实现生产设备状态的预测、优化运行,提升工业系统的调度优化能力起到重要的作用。同时,基于数据驱动的建模方法也受到了广泛关注。工业数据中,具有某种规律性波动的数据常常表现为类似周期性特征,其数据动态特性是生产流程或设备运行过程较为直观的反映。考虑到基于数据点建模的预测方式会带来的迭代误差,本文针对工业系统中的类周期时间序列数据,提出一种粒度计算与长短期记忆网络（Long Short Term Memory networks,LSTM）相结合的长期预测方法。在粒度建模过程中,为充分挖掘工业数据中包含的类周期生产语义,本文针对不同的数据类型（间歇性波动或连续波动）,分别采用离散小波变换和高斯模型进行信息粒的描述,以构建多维特征表示的数据结构。为挖掘该结构下信息粒特征间的依赖关系及各维度特征随时间的变化特性,本文采用LSTM网络来对特征时间序列进行建模,通过特征向量反重构的方式得到最终的时间序列预测结果。为验证本文所提方法的有效性,采用比利时太阳能光伏发电功率公共数据集进行测试验证,并应用到国内某钢铁企业中,针对转炉煤气发生量和热风炉高炉煤气使用量进行长期预测,并采用传统方法进行对比分析。实验结果表明,本文提出的长期预测方法预测精度较为理想,可为工业系统的后续优化调度研究提供科学的决策指导方案。