近年来,随着工业4.0时代的到来,工业大数据成为一个重要的研究课题。工业设备由于生产流程复杂、传感器数量众多且取样频率快,在短时间内容易累积大量的数据,其主要呈现出机理模型复杂、时间序列排布、数据依赖性强、数据维度高且存在大量无标签数据等特点,如有特殊工况发生常常会产生较大的经济损失,因此若能对生产过程中出现的异常进行及时的预测,将会提高整个生产过程的效率,从而产生较大的应用价值。本课题主要提出针对于工业大数据中时间序列数据的建模算法。传统的工业大数据分析方法往往重视统计学模型而忽略工业数据的时间相关性,所以本课题从数据的时序性角度出发,从三个方面对现有算法进行改进,从而提出了时间序列数据相关的预测算法。本文的主要工作包括:首先,提出了基于时间序列的流量预测算法-多变量调优的LSTM算法。该算法对传统的LSTM算法进行改进,利用数据的周期波动特性将时间序列数据转化为监督学习序列,从而提高了预测的精度。其次,提出了基于迁移学习的故障预测算法-基于时间窗口的迁移学习算法。该算法提出了时间窗口的概念,可针对不同取样频率的工业设备进行迁移学习,解决了工业数据中无标签数据的学习问题。最后,提出了面向终身学习的预测算法-基于数据更新模型的终身预测算法。该算法主要通过数据相似度和损失函数,建立数据更新模型,随着时间的推移自动化的更新模型参数,识别数据的变化并对模型进行迭代更新。综上可知,本文建立了一个完整的时间序列预测模型体系,解决了时间序列数据的连续性变量预测、分类预测以及模型自学习更新问题。其主要包含以下创新点:在工业预测问题中引入周期性度量和时间窗口概念,着重针对于工业数据的时间序列特性;将迁移学习方法引入同一生产流程中不同设备的时间序列数据故障预测中;结合数据相似度和损失率建立数据更新模型。实验结果证明,基于时间序列的流量预测算法提升了54.05%的预测准确度,基于迁移学习的故障预测算法的迁移准确率高达97%,面向终身学习的预测算法可应用于多种模型并提升至少33%的预测准确度。