时间序列预测问题的研究至关重要,从电商销量预测到股票价格预测等,随处可见其应用场景。时间序列预测任务也是学术界长久以来的研究重点,随着数据形式的复杂化,模型也从最初基于序列稳定性假设的传统统计学方法发展到可以处理非平稳数据的机器学习方法,然而序列特征表示和损失函数的设计等问题仍然是时间序列预测面临的挑战。本文针对时间序列预测中的特征表示问题,结合现在神经网络方法的优势,利用时序卷积模型、注意力机制和残差结构设计了一种能够具有循环网络建模序列相关性能力的网络结构,即前馈序列模型（Feed-forward Sequential Network,FSN）,此模型旨在模拟循环网络对序列化属性的建模方式,同时克服循环网络梯度消失、训练效率受限和长时记忆衰减的缺点,我们利用时序卷积网络和时序注意力机制达到了对序列化属性的表征,利用残差结构让网络能够加深的同时防止网络退化。我们从信息流动和在标准数据集实验两方面对模型的有效性进行验证,实验结果表明,FSN能够提升时间序列预测准确度,对不同长度输入序列的敏感性分析实验还证明了FSN能够有效控制训练效率,防止出现循环网络中随着输入长度增加而训练效率降低的问题。另外,本文还从损失函数的角度对时间序列预测模型进行优化,现有常用损失函数未能在训练过程中重点关注序列的形态学习和延时性问题,这导致模型的预测结果出现未能有效预测波动或未能准确预测波动产生时间的现象,而这对于很多实际场景是至关重要的。我们从形态学习和延时性两方面出发,结合DTW度量方法设计了多尺度DTW和TDI结合的损失函数MS-DTWI（MultiScale DTW with Temporal Distortion Index）,我们将MS-DTWI与其他时间序列预测损失函数做对比,用实验验证了此损失函数的有效性和更好的学习效果,同时为了验证损失函数中超参数对训练的影响,我们设计了敏感性分析实验,给出对MS-DTWI更全面的分析。最后,为解决大型连锁企业对商品的管理和销量预测问题,我们设计并实现了“金牛（Taurus）系统”,系统不仅能够进行库存管理、商店管理和交易管理,还可以对商品做进一步的关联分析,从流动的商品销售数据中挖掘更多有价值的信息,同时利用历史商品的销售数据和已知可用的时间日期特征对未来商品销售数量做出预测。其中预测环节不仅集成了传统统计学算法,还采用了上述提出的基于前馈序列模型的时间序列预测算法,让系统能够适应不同数据量场景的需求,系统对关联分析和销量预测能力都做了可视化展示,让用户更直观地感受系统智能。