时间序列分析已被广泛应用于金融市场预测、电力负荷预测、天气和环境状态预测等实际问题。由于预测时间序列数据的准确值比较困难,近期的研究主要集中在判断时间序列的未来趋势上。时间序列预测通常可以被看作一个分类问题,即预测时间序列的未来趋势方向,例如上升、下降和稳定。作为时间序列分析中最常用的技术指标之一,移动平均线指标可以通过简单快捷的方式对过去一段时间内时间序列的整体变化规律进行总结。虽然移动平均线在不同的场景中得到广泛的应用,但传统的移动平均线指标是通过对不同时间点上的数据赋予相等或预定义的权重再进行计算得到的。然而,给每个时间序列数据赋予相等权重的方式不能反映不同时间点上数据的重要性差异,而人为确定权重也需要研究人员具备大量的领域知识和工程技能。此外,将相同的数据权重应用于不同的时间序列的做法,也没有考虑不同时间序列固有特点之间的差异。一般情况下,研究人员可以通过不同尺度的移动平均线之间的交互来进行时间序列预测。例如,在股票市场中,当短期移动平均线向上穿过或向下跌破长期移动平均线时,将会分别产生上升和下降的信号。然而,这种利用不同尺度移动平均线进行趋势预测的方法仍然基于启发式的规则,如何更好地利用多尺度移动平均线解决进行时间序列预测仍然是一个值得研究的问题。为了解决上述问题,本文提出了一种自适应的自注意力移动平均线（Self-Attentive Moving Average,SAMA）指标。首先通过循环神经网络对时间序列的输入信号进行编码,之后引入了自注意力机制自适应地确定每个时间点上数据的权重,以计算移动平均线。本文使用多个自注意力头分别对多个不同尺度的移动平均线指标进行建模,在此基础上使用双线性融合的方法使任意两个指标的各个维度之间进行信息融合。通过这种方式实现了指标的跨尺度交互,最终运用集成学习的思想,自适应地学习双线性融合后向量的权重,并以端到端的方式进行有效的时间序列预测。本文通过在两个真实世界数据集上进行的大量实验,验证了SAMA指标用于时间序列预测的有效性和融合多尺度SAMA指标进行预测的合理性,也表明本文所提出的方法明显优于传统的移动平均线指标和当前的一些代表性时间序列建模方法。