时间序列在现实生活中普遍存在,是一种常见的数据表达形式,应用范围极其广泛,利用各种数学模型或算法挖掘出序列的内在特性,以此对生产生活进一步指导,也逐渐成为学术和工业上的热点,尤其在当今大数据、云计算的时代条件下,时间序列也越来越呈现出高维度、长数据、维度高相关、信息冗余等特点。因此,研究如何通过新的高效的分析和计算方法来预测多变量时间序列具有重要意义。本论文的主要研究工作和创新点如下:首先,本论文提出了基于改进的广义回归神经网络的多变量时间序列预测算法。利用广义回归神经网络算法对多变量时间序列进行预测,调节参数少,节省了计算资源。接着,结合粒子群算法,更精准地找到合适的平滑因子,实验结果表明,该算法的预测精度与常用的主流模型相比有明显的提升。其次,本论文设计了基于受限玻尔兹曼机-宽度学习的多变量时间序列预测算法。采用宽度学习扁平化神经网络结构,通过求伪逆方法,避免了深度学习梯度下降带来的问题,加快了运算速度。同时,在映射层使用受限玻尔兹曼机,通过无监督学习,获得降维或者加深维度的映射单元,得到丰富而分散的映射特征。与典型受限玻尔兹曼机相比,高斯伯努利受限玻尔兹曼机在处理实值输入数据集方面具有更多优势,拓宽了输入数据应用的范围,以此改进了宽度学习方法,有效提高了算法预测效率。最后,本论文提出了基于门控循环单元-宽度学习的多变量时间序列预测算法。该算法在上一章节的基础上进一步改进,在宽度学习的增强层中加入了门控循环单元,记忆历史数据,加入先前输入对当前输出的影响,建立时间序列前后的关联性,实验结果表明,预测效果有较大的提升。