多变量时间序列（Multivariate Time Series,MTS）是对多个单变量的观察值按照时间的前后顺序进行记录的集合,一般由多于一个单变量时间序列（Univariate Time Series,UTS）构成。随着MTS数据的广泛产生与实际应用,对MTS的预测逐渐成为越来越受到关注的研究课题之一。深度学习（Deep Learning,DL）技术不断深入的发展,使得基于DL的时间序列（Time Series,TS）预测模型的性能效果越来越好,应用也越来越广泛。已有的MTS预测方法模型一般主要利用注意力机制与循环神经网络（Recurrent Neural Network,RNN）来提取MTS的复杂时空特征,而这些方法对MTS变量之间的空间依赖关系的捕获能力不足。图卷积网络（Graph Convolutional Network,GCN）对复杂数据的空间特征提取能力较强。为此,本文围绕基于图神经网络（Graph Neural Network,GNN）的MTS预测方法开展了以下主要研究工作。（1）提出了一种融合GCN、注意力机制与卷积神经网络（Convolutional Neural Network,CNN）的MTS预测模型（Dual Self-attention Graph Convolutional Network,DSAGCN）。DSAGCN采用GCN提取变量间的空间依赖关系,利用CNN和注意力机制提取MTS变量取值的时序依赖关系,然后将捕捉到的空间依赖关系和时序依赖关系融合,由融合后的时空特征进行MTS预测。在国际汇率（Exchange-Rate）这一MTS数据集上进行的实验情况表明,所提DSAGCN的性能表现要优于选定的目前较先进的几个基线模型。（2）设计了一种融合GCN与门控循环单元（Gated Recurrent Unit,GRU）的网络框架模型（Gated Recurrent Unit Graph Convolutional Network,GRUGCN）。该模型由GRU网络与多层感知机提取MTS各变量取值的时序特征,然后与GCN提取的空间依赖特征进行融合,由此得到的时空融合特征进行MTS预测。实验结果表明,GRUGCN在国际汇率MTS数据集上的性能表现要优于选定的目前较先进的几个基线模型。与DSAGCN相比GRUGCN在保证MTS预测精度的情况下,模型参数较少,更易于训练。