随着数据挖掘和云存储等成为企业和高校关注的重点,人们对从数据中挖掘出对现实生活有指导意义的信息的需求越来越强烈。时间序列预测作为一个历史悠久的研究领域,如何将它和数据挖掘、机器学习等技术相结合起来成为了人们关注的热点。由于多元时间序列比一元时间序列包含更多的信息,因此它的应用前景更加的广泛。同时由于神经网络自身的稳定性以及强自适应能力,神经网络在多元时间序列预测上更具优势。为了实现高精度快速的多元时间预测,如何从多元时间序列中挑选出与被解释变量最相关的自变量,实现变量筛选降低计算成本,挑选出每个解释变量中最有利于预测的时间点的数据进入模型,挑选出最适合时间序列预测的模型,都是十分重要的研究课题。本文提出了一种基于LSTM（长短期记忆）神经网络的多元时间序列预测算法,并对该预测算法进行实验检验。本文的主要研究工作如下:针对降低多元时间序列的维度和模型计算成本,本文提出用Pearson相关系数为准则,计算解释变量与被解释变量同期相关性,按照相关性的大小挑选出与被解释变量最相关的解释变量,以此达到降低数据维度的目的。针对时间序列需要从前期数据中挑选出有利于预测的时间点的数据构建模型,本文提出将挑选出来的解释变量,按照互信息法挑选出各自的最大滞后期,构建模型。最后,为了说明LSTM神经网络的优越性,本文采用解释变量个数为1 2,跨度为一年的9358条空气质量数据进行实证分析。选择LSTM神经网络模型,用挑选好的自变量训练模型,获得多元时间序列的预测结果。为了评价LSTM神经网络与传统多元预测模型的差异。本文按照四种不同的评价准则,比较SVM算法、Adaboost算法、BP神经网络和LSTM神经网络的差异,说明LSTM这种序贯型的神经网络在预测多元时间序列时更容易获得精确的预测结果。