我国各地博物馆收藏了珍贵的历史文物,文物存在年代久远容易受到周围环境的影响,博物馆通过调节文物所处的环境,提升文物的保护力度。本文的研究点立足于北京故宫博物院(简称“故宫”)环境监测系统,在故宫实际部署的环境监测系统中,使用时间序列预测的方法对环境监测系统采集到的温度和湿度数据进行趋势预测。本文改进传统时序预测模型差分移动自回归平均模型ARIMA和神经网络预测模型长短期记忆网络模型LSTM,对温湿度数据进行分析和趋势预测。首先,针对ARIMA模型的参数定阶依靠观察数据的自相关函数图和偏相关函数图容易出现误差的问题,本文提出ARIMA-PDQ模型,新模型使用参数自动定阶算法,实现模型参数定阶过程的自动化,从而提高模型的预测精度。其次,针对循环神经网络RNN在模型训练过程容易出现梯度消失和梯度爆炸的问题,本文提出LSTM-WB模型,新模型在训练过程中使用参数更新优化算法SGAdagrad,使预测模型能快速收敛和精确度提升。最后,实验验证ARIMA-PDQ预测模型和LSTM-WB预测模型具有较高的预测精度和实际的应用价值。本文的研究可以为故宫古建筑室内环境监测系统提供温湿度环境参数的变化趋势,通过对室内环境进行调控,提高文物的保护工作。