多变量时间序列预测是许多领域中重要的机器学习问题，包括太阳能发电厂的能源输出预测、电力消耗预测以及交通拥堵情况预测。这些实际应用中的时序数据通常包含长期和短期模式的混合，而传统的自回归模型和高斯过程等方法可能无法有效应对这一挑战。本文提出了一种新颖的深度学习框架，即长短期时间序列网络（LSTNet），以解决这一开放性难题。LSTNet利用卷积神经网络（CNN）提取变量之间的短期局部依赖模式，并通过递归神经网络（RNN）发现时间序列趋势的长期模式。此外，我们还结合了传统的自回归模型来解决神经网络模型对尺度不敏感的问题。在具有复杂重复模式混合的真实数据集上评估表明，LSTNet相比几种最先进的基线方法取得了显著的性能提升。所有数据和实验代码均在线提供。