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(yù)測單一種類時序數(shù)據(jù)，但是該模型難以預(yù)測多類別的真實高維數(shù)據(jù)。針對這個問題，提出基于集成深度學(xué)習(xí)的時間序列預(yù)測模型，對多類時序?qū)?yīng)訓(xùn)練多個深可信網(wǎng)絡(luò)（deep belief networks，DBN）模型來學(xué)習(xí)低維特征，利用低維特征對應(yīng)訓(xùn)練多個GCRBM時序模型。預(yù)測時序時先通過訓(xùn)練出的一組DBN模型對目標(biāo)數(shù)據(jù)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(yīng)的GCRBM模型預(yù)測目標(biāo)數(shù)據(jù)的后期時序。在CASIA—A步態(tài)數(shù)據(jù)集上的試驗結(jié)果表明：本方法能夠準(zhǔn)確識別出步態(tài)序列，而且預(yù)測結(jié)果能夠模擬出真實的步態(tài)序列，證實了本模型的有效性。