时间序列研究对象是随着时间变化的某种现象,在生活中广泛存在,比如:通过对电影票房预测使得影院能够更好的排片;通过对地区的经济情况进行预测,为公司、国家的投资提供支持。因此研究该问题对国计民生都具有重要的意义。ARIMA(Autoregressive Integrated Moving Average Model)要求时序数据是稳定的。SVM(Support Vector Machine)受限于核函数种类稀少,只在特定的情况下有较好的效果。适用于时间序列预测的循环神经网络及其改进型不仅能够记忆历史规律信息,而且能够拟合非常复杂的非线性问题。但是这些方法不能够记忆长远的历史信息。另外,历史数据对突发事件的缺乏表达也会影响预测的精度。为了解决上述问题,提出一种融合新闻事件的深度学习时间序列预测模型NS_TCL(News Sentiment,Temporal Convolution and Long Short Term Memory)。首先针对历史规律对突发事件的缺乏表达得问题,NS_TCL使用实时性强的相关互联网新闻解决。使用词向量,Self-Attention,LSTM(Long Short Term Memory)技术构建新闻舆情分析模型,从而将新闻舆情表示为多个不同的向量,为预测过程提供支持。然后针对时间序列的拟合问题,首先使用CNN(Convolutional Neural Networks)沿着时间轴卷积,从而从时序数据中抽取历史长短期依赖特征;然后基于适用于时间序列预测的LSTM搭建预测模型。二者结合,既利用了LSTM善于处理时间序列数据的特点,又同时考虑到不同长度历史规律对预测结果的影响,使得预测效果更佳稳定和精确,避免受到复杂序列变化的欺骗。使用NS_TCL,不包含新闻舆情的NS_TCL模型--TCL,TC_LSTM(Temporal Convolution and Long-term Short-term Memory network),ARIMA四种算法分别在三只股票数据集上进行实验,发现NS_TCL在每个数据集的预测精度最高。