随着现代科技的进步和金融需求的逐渐旺盛,大量的互联网金融企业如雨后春笋般生长。如何在庞大的金融业务数据流量背景下有效控制流动性风险是互联网金融平台亟待解决的问题。互联网金融平台资金流量作为一种金融时间序列,具有显著的高噪声、非平稳等特性,这给对其预测带来了极大的困难。本文提出了一种基于注意力机制的多任务门控循环单元(Attention-based Multitask Gated Recurrent Unit,AM GRU)模型,解决了已有工作无法自适应的提取有效信息以及无法很好的处理噪声信号的问题。实验结果表明,该方法可以有效提高模型对噪声的处理能力,从而提升预测结果的准确率。同时,根据金融市场基本分析法,本文针对互联网金融平台资金流量影响因子设计了一种特征选择方法,从三大角度对特征子集进行选择和构建。实验结果表明,所构建的特征子集能够较好的反映资金流量的走势。在上述工作的基础上,本文提出了一种基于时变权重的模型融合方法。通过计算时变权重,对AM GRU模型和基于特征子集的模型的预测结果进行融合。补充了深度网络需要自己通过探寻复杂的参数间关系才能学到的特征,减小了模型的复杂程度,并且能够在一定程度上解决复杂模型带来的过拟合问题。