近年来,随着物联网和5G技术的迅猛发展,时间序列数据呈现出不断增长的趋势。这些时间序列数据蕴含了许多隐藏信息,挖掘和分析这些隐藏信息在金融、医疗和交通等领域中具有重要意义。但现有的时序预测和分类模型未能充分考虑时间序列数据的特征(即序列变量之间的相关性和长期依赖关系)。传统的机器学习算法通过人工设计规则提取数据特征,而深度学习通过多个处理层来学习数据的抽象表示,这不仅省去人工提取特征的步骤而且极大提升了模型的泛化性能。因此,本文利用深度学习对时间序列数据预测和分类两个重点问题进行研究,主要工作内容如下:(1)对时间序列数据传统的预测和分类方法进行调研,同时调研深度学习的相关理论知识,主要包括卷积神经网络、循环神经网络和注意力机制,并重点研究基于深度学习的时序预测和分类方法。(2)针对时序预测模型CRNN(Convolutional Recurrent Neural Network)存在缺乏考虑序列变量之间的相关性以及长期依赖关系的问题,本文提出一种CRNN的改进模型SAC-GRNN(Self Attention and Convolution based Gate Recurrent Neural Network)。该模型首先通过卷积核学习每个时间序列的时不变特征,然后通过self-attention机制学习时间序列变量之间的相关性,同时通过GRU和Auto Regression分别捕捉时序数据时间依赖关系和时序数据尺度变化。本文通过设置不同预测步长实验,证明了SAC-GRNN模型在多变量时间序列数据集上的预测效果与对比模型相比有较好的提升。(3)传统时间序列分类方法通过设计不同的规则提取序列特征,当场景发生变化的时候固定的特征提取规则会失效。为了有效对不同时间序列进行分类,本文提出双通道卷积门控神经网络的时序分类模型DCC-GNN(Dual-channel convolution-gated neural network)。该模型不仅通过双通道卷积提取不同时间序列高级特征表示,而且还利用门控单元对时间依赖关系进行了建模。本文在UCR仓库85个数据集上和不同神经网络模型进行了对比实验,实验结果表明DCC-GNN模型具有较好的分类效果。