摘要：基于高斯過程的條件受限玻爾茲曼機（GCRBM）時序模型可以很好的預測單一種類時序數據，但是該模型難以預測多類別的真實高維數據。針對這個問題，提出基于集成深度學習的時間序列預測模型，對多類時序對應訓練多個深可信網絡（deep belief networks，DBN）模型來學習低維特征，利用低維特征對應訓練多個GCRBM時序模型。預測時序時先通過訓練出的一組DBN模型對目標數據進行降維并通過重建誤差識別類別，然后通過識別到的類別所對應的GCRBM模型預測目標數據的后期時序。在CASIA—A步態數據集上的試驗結果表明：本方法能夠準確識別出步態序列，而且預測結果能夠模擬出真實的步態序列，證實了本模型的有效性。