时间序列预测作为一种根据已有的历史信息对事物的未来走向进行预测的手段,为决策的制定和采取提供了参考的可能,也因此越来越成为了交通、能源、环境、金融、物流等多个行业的研究热点。随着近些年物联网和大数据时代的到来,时间序列的收集和获取变得越来越便利,但同时也暴露了数据质量参差不齐和数据总量愈发庞大的问题,对时间序列预测带来了以下挑战:一是由于随机因素产生的异常数据往往会破坏时间序列表现出的正常规律,二是数据采集和运输过程中可能产生的噪声成分降低了时间序列中有用信息的比例,三是数据采集设备的硬件进步不仅使得时间序列总长度变大,还使得数据面临着维度膨胀的趋势。如何对时间序列中存在的异常进行检测,消除其中存在的噪声成分,并从庞大复杂的多变量时间序列数据中充分提取特征信息是研究时间序列预测的关键问题。针对这些问题,本文以建立一个带有时间序列异常检测和噪声去除的数据预处理,且能够对多变量时间序列进行精准预测的方法作为目的展开研究,具体的工作内容和研究成果如下:（1）针对时间序列异常检测问题,提出了一种基于特征增强和集成双向长短期记忆自编码的无监督异常检测方法（FE-EBi LSTM-AE）。该方法通过特征工程丰富原始数据特征,然后通过对EBi LSTM-AE进行训练得到时间序列异常检测模型。最后在多个公开数据集上的实验表明了该异常检测方法的有效性。（2）针对时间序列噪声去除问题,提出了一种带参数自适应的变分模态分解和小波阈值的时间序列降噪方法（PAVMD-WPE-WTD）。该方法根据时间序列自身特点自适应地确定VMD分解的模态数量,并引入带启发式阈值和自适应阈值函数的小波阈值降噪算法对噪声进行去除。最后在模拟的人工时间序列上的实验证明了该方法的有效性。（3）针对多变量时间序列预测问题,提出了一种基于堆叠残差门控循环单元和多级别注意力的预测模型（SRGRUs-MLAttn）,并将所提出的异常检测和降噪算法进行结合。通过引入堆叠残差GRUs提取时间序列的时空特征,并提出多级别注意力机制充分利用提取到的特征。最后通过在涵盖环境、交通、能源和云计算四个领域的5个数据集上的预测实验证明了所提出的异常检测、降噪以及预测方法的有效性。