本文基于分数积分统计模型（FISM）与深度学习技术，提出了一种新型的双向长短期记忆网络与支持向量回归相结合的预测模型（FISM-BiLSTM-SVR）。该模型通过分解原始的日最高（低）气温序列，提取其中的天气尺度激励部分（白噪声，WSE）与累积记忆组成部分（CMC），将CMC作为输入并利用相空间重构建立多步预测方法，一定程度上消除了原始序列中的随机性，提升了预测的精度。并利用WSE的标准差构建基于3-sigma准则的回归区间，用于对未来日最高（低）气温进行有效区间估计。通过对韩国首尔夏季日最高（低）气温观测数据的实证分析，在20、25、30 d的预报时长预测任务中，和其他5种模型相比，FISMBiLSTM-SVR模型具有显著预测精度和稳定性优势。在日最高温预测中，FISM-BiLSTM-SVR在3种预报时长中的均方根误差分别为1.692 7、2.191 5、3.048 7℃，在日最低温预测中的均方根误差分别为1.567 3、1.467 6、1.445 3℃，相较于其他模型均显著降低。FISM-BiLSTM-SVR模型在不同预报时长下的区间预测结果中，预测区间覆盖概率（PICP）在所有预测时长下均达到100%，能准确捕捉温度变化趋势。