商业空调广泛应用于民用、医疗、交通、通信、军工等领域。一旦设备突发故障,即会带来经济损失甚至危及生命。因此,通过准确预测商业空调的设备状态来防止设备故障变得非常重要。商业空调内设置有大量的传感器,持续不断地收集各类信号,从而形成快速、高维的时间序列数据。目前主流处理方法长短期记忆模型算法,训练速度慢且无法解决因数据价值密度不一导致的样本倾斜问题,难以满足商业空调故障预测的需求。为此本文从以下三方面进行研究并提出解决方案。首先,为解决数据维度高的问题,本文提出了基于方差选择的主成分分析法,并在自建数据集上进行降维处理。实验表明,使用该方法降维处理后,基于时序特征的商业空调故障预测算法（Fault Prediction Based on Time Series Features,FPTF）的均方根误差由0.2452降至0.2433。其次,为解决数据价值密度不一导致的样本倾斜问题,通过对比多种倾斜处理算法,分析得出当采用SMOTE ENN算法处理样本倾斜问题时,效果最优,可使得FPTF的均方根误差由0.2354降至0.1219。再次,为进一步提升商业空调故障预测精度,本文提出了一种基于时序特征的商业空调故障预测算法,实验表明该算法比长短期记忆模型的查准率高出0.03。最后,考虑到故障预测的时耗限制,本文基于Dask分布式计算框架实现数据预处理和特征提取过程,将计算耗时降至3秒左右。本文对上述所提解决方案进行了包括性能、准确率等多方面的实验验证。并已在某世界500强企业实际部署运行,切实满足了用户故障分析预测的需求。