近年来,随着传感器、物联网、云计算等技术的发展,海量的时间序列数据不断的产生并被记录下来,对这些时间序列数据的挖掘和分析给我们日常生活带来了巨大的便利,例如天气预报、气候预测、股价预测、商品零售预测等。鉴于时间序列在众多广泛应用中的重要性,许多时间序列预测方法相继被提出,其中大多数是自回归生成模型,该模型在训练时使用真实的历史数据,但在预测时这些数据会被网络生成的预测数据所替代,导致模型在预测过程中产生错误累积,进而降低模型的预测性能。此外,时间序列数据在采集过程中,由于传感器故障或者传输、存储不当等原因很容易造成数据的缺失。时间序列数据前后值之间具有很强的依赖性,这些缺失的部分会极大的阻碍对时序数据的建模。因此,有效的缺失值处理方法通常可以使后续时间序列分析和预测类任务事半功倍。传统的缺失值处理方法大多未考虑到时序数据的前后依赖特性,因此难以取得准确的填补效果。针对当前自回归时间序列预测模型的局限性,本文结合生成式对抗网络的思想,提出一种基于生成式对抗网络（Generation Adversarial Network,GAN）和门控循环神经网络（Gate Recurrent Units,GRU）的时间序列预测方法。该模型采用非常适用于序列数据建模的门控循环神经网络来搭建内部网络结构,同时判别器可以进一步提升网络在序列级上的预测精度,降低误差积累对网络预测性能的影响。网络训练完成后,生成器可以生成符合原始时间序列数据分布的预测值。针对时间序列数据的缺失问题,本文在在充分研究了时间序列数据的特性之后,采用双向门控循环神经网络结合生成式对抗网络技术和去噪自编码器的思想,提出了基于双向门控循环神经网络和生成对抗网络的时间序列数据缺失值填充方法。该方法可以结合每条缺失数据的未来信息与过去信息,在缺失的数据集上直接完成填补工作。真实数据集下的实验结果证明了本文提出的时序数据预测方法和时序数据缺失值填补方法的有效性。