在工业生产过程中会采集到大量的时间序列数据,对其关键过程变量进行准确预测可为工业系统的调度决策提供重要参考。然而工业时间序列数据普遍具有强非线性、非平稳和高噪声等特点,传统单模型方法难以对其实现有效预测,故当前研究集中于基于信号分解的组合预测模型。变分模态分解作为一种准正交的完全非递归的分解方法,有效解决了模态混叠问题且抗噪声能力更强。本文针对当前方法参数优化耗时长且组合模型输入特征不足等缺点,提出基于自适应变分模态分解和长短时记忆网络的组合预测模型并将其应用于工业时间序列点预测和区间预测中。面向工业时间序列的点预测,为解决当前方法在优化变分模态分解参数时未考虑组合模型的整体预测误差这一缺陷,提出一种带网格细化的贝叶斯参数优化方法。该方法以最小化分解后的低频趋势和部分高频信号的模型误差作为目标函数,并将可行域进行网络划分缩减寻优空间。其次针对当前基于信号分解的组合模型中子模型在极值点预测效果较差这一现象,提出增加子序列的包络线模型用于预测子序列在当前点的包络线以提供幅值参考,提高了针对子序列的预测精度。面向工业时间序列的区间预测,针对当前基于多目标优化算法的模型训练耗时长且难以实现等问题,本文基于所提点预测模型设计了一种同时包含区间覆盖率和区间宽度指标的损失函数。在此基础上,针对区间覆盖率难以保证的缺点,提出了一种自适应构造区间上下界监督信息的迭代算法,通过预设合理名义置信水平来保障算法的收敛性。为验证所提方法的有效性,本文在工业时间序列数据上进行仿真实验。在点预测实验中以均方根误差和平均百分比误差等作为评价指标来验证本文所提方法在短期预测和长期预测上的准确性。针对区间预测实验,在训练方法和模型结构两方面设计对比实验,以均方根误差、覆盖宽度准则等作为评价指标评估所提方法的区间预测性能。实验结果表明,本文方法在预测精度、区间预测性能等方面均优于其他方法。