时间序列预测广泛存在于当前经济社会的各个领域，例如交通、环境保护、医学、社会生活等领域。由于时间序列具有随机性、趋势性、周期性和综合性。通过对时间序列进行分析，可以发现时间序列数据的模式或者趋势，挖掘出有价值的信息。时间序列预测在国民经济生活中的应用十分广泛，包括短时交通流预测、水质预测、空气质量预测、疾病的预测、网络流量的预测以及电量使用情况预测等。所以，为了更好的运用时间序列数据帮助决策人进行决策、规避风险以及获取更高的利益，提高时间序列预测的准确性，就显得尤为重要。
　　目前针对时间序列进行预测，包括的方法有几类，统计学习方法(ARMA/ARIMA模型)、传统机器学习方法(支持向量机、随机森林等模型)、前馈神经网络方法和深度学习模型方法(循环神经网络，长短时记忆递归网络)等。但是这些模型、方法都有各自的限制或者需要实际情况进行调整、改进。最近几年，由于计算机硬件能力的增强，计算能力得到了很大的提高，深度学习模型由于其强大的拟合能力，理论上可以映射到任意函数，可以解决很复杂的问题。并且数据量越大，它的表现越好。本文致力于研究深度学习网络的工作原理，然后对其静态预测的结果，进行动态校正。以此来建立时间序列模型，提高时间序列预测精度。
　　针对时间序列预测问题，本文提出了一种LSTM-Kalman混合模型，LSTM神经网络(长短时记忆递归网络)能够有效的”存储”包含在过去一段时间序列的信息，并且能够将这些信息用于接下来的时间序列预测中。选择LSTM神经网络(长短时记忆递归网络)对时间序列数据进行预测比传统的统计学习方法、机器学习方法取得更高的准确率，和递归神经网络(RNN)相比，LSTM能够缓解梯度消失。而卡尔曼滤波器(Kalman Filter, KF)及其变体由于其计算效率高，所需内存少，适用于非平稳数据分析，可使用实时数据动态更新其状态变量，是时间序列预测任务中广泛使用的强大工具之一。最后，本文提出的具有静态预测、动态调整特点的LSTM-Kalman混合模型扩展到了短时交通流预测和练江水质预测中，并且与现有的方法进行了比较，通过理论阐述和实验结果说明了该混合模型在时间序列预测任务上取得了不错的效果。