时间序列预测任务研究的是随时间变化的某种现象的数字序列,并发现其变化规律。在实际生活中,含有时间序列的现象有很多,比如股票的走势,商场物品价格的变化,火车站进出人流量的变化等。因此,对时间序列问题进行深入研究是对国家社会人民都具有重要意义。在时间序列问题的解决方案中,主要有以传统统计学为基础的差分整合移动平均自回归模型（Autoregressive Integrated Moving Average Model,ARIMA）,反向传播算法（Back Propagation,BP）为代表的机器学习模型以及深度学习模型中的常用的循环神经网络（Recurrent Neural Network,RNN）及变种。但他们都有各自的缺陷,ARIMA对时间序列数据的稳定性要求高,对不稳定的时间序列数据预测结果差。BP算法容易陷入局部最小值,对整体的最优方案选择不够好。而如今的深度学习模型循环神经网络及其变种虽然已经能够解决一部分梯度消失问题,但是这些网络不能对久远的历史信息进行记忆,而且不加入社会性的突发事件会影响最终的预测精度。为了解决上述问题,提出了一种基于多注意力机制的时间序列预测模型N＿ALSTM（News,Attention and Long Short Term Memory）。主要是从新闻文本和股票序列数据这两个角度出发。首先是针对循环神经网络缺乏社会突发新闻事件的表达的问题,本模型利用具有高实时性和高可信性的互联网新闻作为时间序列预测分析中的社会事件基础。采用目前广泛使用的词向量、自注意力机制以及长短期记忆网络（Long Short Term Memory,LSTM）来构建模型中的新闻舆情分析模块。在时间序列预测模块中,使用编码器-解码器模型以及注意力机制将时序数据与新闻文本特征融合后的结构化数据在编码器中进行中间语义输出,预测结果更加稳定精确,避免了时间序列因为复杂的变化而产生的欺骗性作用。在使用N＿ALSTM,不包含新闻文本分析的时间序列预测方法ALSTM,NS＿TCL,TC＿LSTM,HAN这五种算法分别在五支股票数据集上进行试验,发现N＿ALSTM预测精度与其他四种算法都要更加好,预测效果略胜一筹。