航空大数据是现代航空工业领域的重要研究课题之一,基于机载传感器的大数据获取让统计分析、支持向量机和人工神经网络等多种数据挖掘和分析技术得以应用,为大飞机异常检测、状态分析等工作提供更多技术手段。大飞机试飞时间序列数据由加装在飞机各部件上的传感器采集得到,具有维度高、样本数量多、部分数据变化快、以及样本分布随飞行状态变化等特点。包含飞机在各种飞行状态下的信息,具备研究价值。传统的移动平均和自回归等预测方法通常只依靠少量样本建模,不能充分提取出航空大数据所包含的信息资产,多数样本被遗弃。深度学习方法在时间序列预测问题上已经诞生了许多优秀的模型,但是对输入和输出形式有着严格的要求,无法直接套用在大飞机试飞时间序列数据之上。本文对现有的时间序列预测方法进行调研,结合数据集特点,选择深度学习作为研究方向,设计并实现了基于深度RNN的时间序列预测模型,确定输入输出的内容和形式,给出具体的神经网络模型结构和超参数。在研究过程中,为解决数据集不同维度样本差别过大且样本分布随飞行状态变化的问题,本文增加额外的数据处理环节,将大飞机试飞时间序列的各维度分组并按飞行状态分为不同的状态数据集,简化模型输入,减小了模型训练后的预测误差。根据RNN神经元在时序上具有隐藏状态的特点,本文还设计了基于网络状态的循环输出模式,在多步预测情况下显著减小了预测误差。为进一步解决样本分布随飞行状态改变的问题,本文在两个不同的飞行状态数据集上开展基于深度迁移学习的模型泛化研究,首次将深度迁移学习应用到时间序列预测领域。在调研各种迁移学习方法后,本文设计出分布损失函数参与已有模型的训练过程,确定分布损失函数的计算公式和数据来源,分析该函数在模型训练中的实际作用。研究过程中,为解决分布损失函数带来的特征消失和模型不稳定问题,本文针对性地为函数输入增加约束项,提出正则优化的分布损失函数,令模型在目标域数据集上具有更好的泛化能力。