随着物联网技术的发展和广泛的应用,在各种应用场景中产生了大量的时间序列数据。时间序列预测是依据历史数据挖掘并预测下一时刻状态的技术,挖掘这些数据中蕴含的信息,对众多领域都有着至关重要的指导作用。然而由于物联网时间序列的非平稳性、非线性等特点,现有的解决方案无法满足具有多样性和差异性的物联网时间序列预测的需求。当前计算机性能的提升促进了深度学习的发展,在自然语言处理等领域取得的巨大成果,为物联网时间序列预测提供了有效的解决思路。本文主要研究如何利用深度学习解决特定物联网应用场景中的时间序列预测问题。具体研究内容和创新点包括:1.提出一种基于长短期记忆网络（LSTM）特征融合的时间序列预测框架。随着海量数据的产生,时序特征已由低维转变为高维。传统预测方法无法挖掘时序数据中多维特征间的相关性,且多数着眼于挖掘短期的时间相关性,导致模型预测效果不佳。针对以上问题本文提出一种适用于多特征时间序列的预测框架,该框架既能较好的挖掘序列中的时间相关性,同时也能完成特征提取,捕获多特征间的相关性。并利用此框架解决物联网智慧畜牧应用场景中的奶牛发情检测问题。应用结果表明,本文提出的解决方案在准确性和有效性等方面都优于传统的检测算法。2.提出一种基于多组件时空图卷积的时空序列预测框架。部分物联网场景的时空数据含有地理位置信息,为充分挖掘并利用数据中的时空相关性及时序数据中蕴含的多种时间维度模式,本文提出一种适用于时空数据的多组件融合预测框架。该框架以时空图卷积为基础预测模型,采用图卷积挖掘空间相关性,时间门控卷积提取时间相关性,通过融合多组件及其他相关特征进行预测。该框架应用于物联网智慧交通应用场景中的交通流量预测问题,应用结果表明,本文提出的多组件融合的预测框架优于单一组件,且融合气候等相关特征可进一步提升模型预测效果。