本发明公开了一种基于长短期记忆网络的时间序列缺失值自动填补方法，包括以下步骤：获取没有缺失值的原数据集，并进行预处理；按照给定的缺失率随机删除某些值构成含有不同缺失率的缺失数据集；根据深度残差网络与图结构依赖的思想，引入基于图依赖的残差连接到LSTM模型，形成RSU，同时将LSTM模型的每一时刻的隐藏状态和RSU的历史状态信息进行融合与传递；训练构建的新模型，在网络训练前向传播过程中根据数据是否缺失利用RSU的值进行填补。RSU整合了先前的残差和隐藏的状态信息，使得构建的模型能够关联足够多的关于缺失数据历史信息，同时实现了对含缺失值的时序数据可端到端含缺失值训练的过程。