在数据时代,时间序列数据的研究不断发展。近年来,对于相关的多种时间序列数据,即多源时间序列数据的分析与预测日益显著。在此背景下,本课题基于序列到序列学习模型的思路,设计并实现了能有效融合多源时间序列数据的预测模型。在实际的社会生活中,时间序列数据广泛存在于多种领域中。在大多数场景下,目标序列数据往往不是单独存在,而是和众多相关的时间序列数据同时存在,共同组成了特定的场景数据集。这些数据类型各异,关系错综相连,数据结构也较为复杂。如何有效融合这些多源数据,整合所有数据信息,并且取得出色的预测结果是目前研究的重要方向。现有的方法大多无法适用于实际场景的复杂数据,而且鲜有采用最新的序列到序列学习的思路。因此,本文利用先进的自注意力机制,综合考虑了实际场景下具有网络性、层次性和多源性数据的特点,建立深度神经网络模型对多源数据进行预测。模型可以自适应地选取相关的时间序列数据进行编码并且可以捕获长期依赖关系,在实际数据集的实验上,模型在多个指标上均有良好的表现。本文的模型基于经典序列到序列学习框架,分为时间序列数据的表示、编码和解码预测三个部分。在表示部分,模型针对具有网络层次结构和多种类型的数据采用分层注意力机制和嵌入的方式对数据进行表示,最大限度融合所有相关序列数据的信息。在编码和解码预测部分,模型利用编码器对数据进行向量化的编码,然后用解码器对编码结果进行解码,生成预测数据。本文采用LSTM和自注意力机制两种方式作为编码器和解码器的模块,通过实验说明了两种方式的不同适用场景。最终模型在真实数据集上的预测结果表现优异,在MAE,RMSE,MAPE等多种评价指标上均优于多种现有预测模型。通过多个数据集的实验也证明了本文模型的普适性。