时间序列数据是在不同时间上收集到的数据,用于所描述现象随时间变化的情况。这类数据反映了某一事物、现象等随时间的变化状态或程度。时间序列数据在现实生活中广泛存在,例如金融领域中的交易数据和经济统计数据、消费电商领域中的用户浏览和购买数据、医疗领域中的医疗器械的信号记录、天气监测站记录的天气指标数据等这些时间序列数据是相应领域的非常宝贵的数据资源,对这些数据的准确、有效分析和利用能够帮助减小人力成本,提高生产效率,提高经济收益。时间序列预测通常是依赖于相互关联的多因素的非线性拟合问题,我们对关联多元时间序列的预测应该同时考虑到序列内的时间依赖关系与变量依赖关系和序列间的空间依赖关系。自回归移动平均,差分整合移动平均自回归等传统时间序列模型难以对复杂非线性时间序列数据进行有效建模;多元线性回归,神经网络等机器学习方法不能很好地捕捉时间序列中的长时依赖,只能利用固定长度的数据序列来进行预测,受限于模型容量,难以达到最佳预测效果;长短期记忆模型（LSTM）是基于循环神经网络之上存在“记忆体”的模型,可以记住很长时间的信息,有效解决长期依赖问题,并且作为深度神经网络,具有超强的拟合能力,在复杂非线性时间序列数据的处理方面有着天然的优势,因此本文提出一种通用的基于LSTM的时间序列预测模型CA-LSTM（Convolution and Attention based on Long Short Term Memory）。卷积的长短期记忆模型可以有效提取序列内部的变量依赖特征与时间依赖特征和序列间的空间依赖特征,使得算法对信息的考虑更加全面且运行结构与规律更加清晰;注意力机制对所有时间步的隐藏层状态进行加权,把注意力集中在所有时间步上比较重要的隐藏层状态信息,增强了模型的可解释性,对更长的时间序列预测效果更加明显。为了验证模型的有效性与通用性,本文通过环境领域的空气质量预测和交通领域的出租车客运需求预测两个关联多元时间序列预测实例,对数据进行归一化、缺失值与异常值处理、特征编码、主成分分析降维,并从梯度下降方法选择,超参数调节等方式优化模型,以根均方误差,平均绝对误差作为评价指标,并画出训练、测试损失图,拟合图,与多层注意力机制模型、长短期记忆模型模型、多元线性回归模型、全连接神经网络模型、查分整合移动平均自回归模型五种基准模型预测结果进行对比,实验结果表明CA-LSTM具有更好的预测效果。