近年来数字化进程发展迅猛,将各类信息数据化,能更好的发现其本质特点和变化规律。时间序列数据便是一类具有代表性的数据,对于大部分实际数据来说,由于所受影响因素众多,其往往是非线性的时间序列数据,所以对于非线性时间序列的预测问题的分析和研究是十分重要的。本文对Monte Carlo方法和长短期记忆算法进行了探讨和分析,对实验数据进行清理,并根据长短期记忆算法建立了一种预测非线性时间序列数据的模型,依据Monte Carlo方法的原理设置了预测效果的度量标准。首先,对Monte Carlo方法和长短期记忆算法的原理和优缺点进行探究,并对有监督机器学习中的过拟合问题产生的原因和相应解决办法通过结合实例的方式进行总结和分析。其次,对收集到的人口数据和股票数据进行预处理(异常数据的删除和填补、归一化),并结合平安银行股票数据的实例来展示数据清理过程中异常数据的处理方式,初步确定预测算法的Keras框架结构,并依据Monte Carlo方法的原理设定预测准确率的计算方式。最后,以一组随机生成的服从正弦分布的数据点来测试算法框架的实际预测效果。并对清理后的哈尔滨市历年人口数据应用不同结构的算法进行预测,通过对比不同结构的算法框架的预测效果来确定最终长短期记忆算法的框架结构,并对东风汽车股票和平安银行股票的5个特征数据进行预测分析和准确率的计算。本文的实证分析选取了2002年到2018年平安银行股票和东风汽车股票的每日数据,实证结果表明:结合了长短期记忆算法和Monte Carlo方法的预测框架,对于非线性的时间序列数据的预测有较好的效果,能够很好的学习数据的整体变化趋势和细节特征;通过Monte Carlo方法的原理来设置并计算的准确率,更加贴近数据的实际预测效果,有利于对算法框架内部参数进行调节。