社会经济的快速发展使得我国商业建筑能耗迅速增长,相关统计结果表明,部分地区的商业建筑能耗在建筑能耗总量中的占比已经超过30%,呈现出占比高、能效低的特点。能耗预测是建筑节能中的重要工作,准确的能耗预测对商业建筑节能规划、异常设备检测、用能策略优化等有着重要的参考意义。数据的可靠性在能耗预测研究过程中的地位尤为重要,合适的数据预处理工作有助于提高数据集的整体质量,因此针对能耗数据集中存在异常值的问题,提出一种异常数据识别以及补全方法。基于商业建筑运营特点,在对各个时间点的能耗数据进行分组的基础上,利用箱线图快速直观地从中识别出异常数据,使用一定范围内的同一时间点的能耗值对异常数据进行均值填充,最大程度上保留补全后数据应有的时间序列特性,为后续商业建筑能耗数据分析研究提供了良好的数据基础。传统注意力机制在长时期多变量输入的Seq2Seq商业建筑能耗预测模型中表现欠佳,针对上述不足之处提出了一种基于TPA注意力机制的能耗预测模型,即TPA能耗预测模型。该模型通过引入时间模式注意力机制（Temporal Pattern Attention,TPA）来发掘输入特征变量与能耗之间的潜在联系,同时使用深度学习中的Bi GRU网络模型作为预测单元,利用其双向网络结构获取前后时间步之间更多的内在信息,提高了长时期多变量输入情况下Seq2Seq预测模型的准确度。基于国内上海地区某大型商业建筑真实能耗数据以及国外两个商业建筑能耗公开数据集,对提出的TPA能耗预测模型进行了详细的对比实验分析,通过与当前几种典型的预测模型进行比较,证明了在真实商业建筑能耗数据条件下,TPA能耗预测模型具有准确性高、适用性好的特点。为进一步提高TPA能耗预测模型的精度以及泛化能力,提出一种基于ET-TPA特征信息选择的能耗预测模型,即ET-TPA能耗预测模型。该模型使用极限树（Extra Trees,ET）嵌入式特征选择算法对输入数据进行特征重要性分析,剔除与能耗无关的冗余特征,筛选出重要的特征组成最优特征信息集合,实现对模型输入降维,最后基于最优特征信息集合建立能耗预测模型。实验结果表明,与未进行特征信息筛选相比,特征信息筛选的方法能够有效地提高预测准确度。同时考虑到现实场景的应用情况,对提出的ET-TPA能耗预测模型进行了深入的敏感性分析,详细讨论了不同情况下模型的预测表现,验证了ET-TPA能耗预测模型较强的适用性和鲁棒性,为预测模型的实际应用打下了良好的基础。