现实生活中描述特定场景的相关属性以不同的频率采集形成的数据称为混频数据。这类数据的特点有三方面,第一,不同属性采集到的数据量不同;第二,各个属性的采样频率恒定不变;第三,混频数据是一种时序数据。本文针对这样的混频数据预测问题,借用深度学习的方法进行了研究。由于数据的采集代价及采集方法不同,在统一的频率下收集数据不太现实。但原始混频数据中蕴含着丰富的信息,合理地捕获这些信息有利于实现最终预测任务。传统方法通过对低频数据进行采样,使低频数据向高频数据对齐;或者通过加权平均等方法将高频数据向低频数据对齐。前者将导致人为规定低频数据的分布的问题,后者将造成高频数据的信息损失的问题。因此,本文工作侧重于使用原始混频数据本身的特性来训练预测模型,并且将属性按照采样频率进行分组,具有相同采样频率的属性为一组,基于这种认知提出了两种处理混频数据的方法。针对混频数据预测问题,提出了基于时间属性注意力机制的神经网络预测模型。该方法首先将混频数据利用长短期记忆网络编码。然后借助卷积神经网络自适应地从编码矩阵中提取相同数量的时序特征,这使混频数据能够融合到一个特征矩阵中。最后从特征矩阵中学习属性注意力向量和时序注意力向量用于最终的预测任务。该方法避免了在数据层进行频率对齐所引起的问题。针对混频数据表示学习问题,提出了基于图卷积神经网络的混频数据表示学习模型。该模型的核心观点是将混频数据融合成一种高频数据的表示形式,称为系统状态。本文认为同一时刻采样的数据描述同一种系统状态,且为同一时刻采样的数据样本建立关联边,然后利用混频数据的频率倍差构建邻接矩阵。最后利用图卷积神经网络从原始混频数据中学习系统状态的表示。本文在两个模拟和真实世界的混频数据集上进行了实验,结果表明,本文所提出的方法与目前表现最好的方法对比,在平均绝对误差和均方根误差上平均提升了11%和12%。在一定程度上说明了原始混频数据的有用性。同时为混频数据处理提供了两种新的解决方案。