传统的时间序列缺失修复方法通常假设数据由线性动态系统产生，然而时间序列更多地表现为非线性。为此，提出了基于残差连接长短期记忆（LSTM）网络的时间序列修复模型，称为RSI-LSTM，用来有效捕获时间序列的非线性动态特性，并且挖掘缺失数据和最近的非缺失数据之间的潜在关联。具体来说，就是采用LSTM网络对时间序列的非线性动态特性进行建模，同时引入残差连接来挖掘历史值与缺失值的联系，从而提升模型的修复能力。首先使用RSI-LSTM对单变量日供电量数据集的缺失数据进行修复，然后在第九届电工数学建模竞赛A题的电力负荷数据集上，引入气象因素作为RSI-LSTM的多变量输入，以提升模型对时间序列缺失值的修复效果。此外，使用了两个通用的多变量时间序列数据集以验证模型的缺失修复能力。实验结果表明，在单变量和多变量数据集上，RSI-LSTM的缺失值修复效果均优于LSTM，得到的均方误差（MSE）总体下降了10%。

近年来，以循环神经网络（RNN）为主体构建的预测模型在短期电力负荷预测中取得了优越的性能。然而，由于RNN不能有效捕捉存在于短期电力负荷数据的多尺度时序特征，因而难以进一步提升负荷预测精度。为了捕获短期电力负荷数据中的多尺度时序特征，提出了一种基于多尺度跳跃深度长短期记忆（MSD-LSTM）网络的短期电力负荷预测模型。具体来说，以长短期记忆（LSTM）网络为主体构建预测模型能够较好地捕获长短期时序依赖，从而缓解时序过长时重要信息容易丢失的问题。进一步地，采用多层LSTM架构并且对各层设置不同的跳跃连接数，使得MSD-LSTM的每一层能够捕获不同时间尺度的特征。最后，引入全连接层把各层提取到的多尺度时序特征进行融合，再利用该融合特征进行短期电力负荷预测。实验结果表明，与单层LSTM和多层LSTM相比，MSD-LSTM的均方误差总体下降了10%。可见MSD-LSTM能够更好地提取短期负荷数据中的多尺度时序特征，从而提高短期电力负荷预测的精度。

提出了一种动态递归神经网络模型进行混沌时间序列预测，以最佳延迟时间为间隔的最小嵌入维数作为递归神经网络的输入维数，并按预测相点步进动态递归的生成训练数据，利用混沌特性处理样本及优化网络结构，用递归神经网络映射混沌相空间相点演化的非线性关系，提高了预测精度和稳定性。将该模型应用于Lorenz系统数据仿真以及沪市股票综合指数预测，其结果与已有网络模型预测的结果相比较，精度有很大提高。因此，证明了该预测模型在实际混沌时间序列预测领域的有效性和实用性。