时间序列预测通过对事物历史数据的分析来预测未来一段时间的发展趋势,广泛应用于气象、农业等各个领域。由于时间序列数据具有数据量大、非线性、影响因素众多的特点,使得时间序列预测成为了研究难点。时间序列预测方法主要有传统的时间序列预测方法和基于机器学习的时间序列预测方法。其中传统的时间序列预测方法主要是基于统计学理论,建模技术单一,预测精度不高。基于机器学习的时间序列预测方法不仅提高了预测的精度,而且泛化能力强。虽然目前有许多基于机器学习的时间序列预测方面的研究,但是仍有一些需要解决的问题,特征提取就是其中之一。目前在特征提取方面主要有两个问题:一是特征提取方式。特征提取的方式主要是人工,该方式具有一定的主观性和不完备性;二是有效特征的选择。特征的质量直接影响了建模的水平,特征数目较多时如何选取出有效特征,这也是机器学习的研究热点之一。本文针对这两个问题,提出了一种将人工特征和基于深度学习生成的隐性特征相融合,并将融合后的特征集植入集成学习算法进行预测的方法。该方法使用改进的卷积神经网络自动提取隐性特征,然后将隐性特征与人工特征融合形成总特征集,最后利用随机森林从中选取有效特征后植入LightGBM算法中进行有监督的训练。基于所提出方法,本文使用两种时间序列数据进行验证,分别建立了汽车上牌量预测和农产品价格预测,与其它预测方法的对比结果显示该方法预测准确度更高,表明了该方法的可行性和有效性。