摘要：基于高斯過程的條件受限玻爾茲曼機(jī)（GCRBM）時(shí)序模型可以很好的預(yù)測(cè)單一種類時(shí)序數(shù)據(jù)，但是該模型難以預(yù)測(cè)多類別的真實(shí)高維數(shù)據(jù)。針對(duì)這個(gè)問題，提出基于集成深度學(xué)習(xí)的時(shí)間序列預(yù)測(cè)模型，對(duì)多類時(shí)序?qū)?yīng)訓(xùn)練多個(gè)深可信網(wǎng)絡(luò)（deep belief networks，DBN）模型來學(xué)習(xí)低維特征，利用低維特征對(duì)應(yīng)訓(xùn)練多個(gè)GCRBM時(shí)序模型。預(yù)測(cè)時(shí)序時(shí)先通過訓(xùn)練出的一組DBN模型對(duì)目標(biāo)數(shù)據(jù)進(jìn)行降維并通過重建誤差識(shí)別類別，然后通過識(shí)別到的類別所對(duì)應(yīng)的GCRBM模型預(yù)測(cè)目標(biāo)數(shù)據(jù)的后期時(shí)序。在CASIA—A步態(tài)數(shù)據(jù)集上的試驗(yàn)結(jié)果表明：本方法能夠準(zhǔn)確識(shí)別出步態(tài)序列，而且預(yù)測(cè)結(jié)果能夠模擬出真實(shí)的步態(tài)序列，證實(shí)了本模型的有效性。