针对传统时序预测方法在不同场景中学习稳定特征效果不佳的问题，提出一种基于场景不可知学习的时序数据域泛化方法。该方法通过设计新的加权目标函数，从总样本中选取核心样本，以提升模型的泛化能力，并利用正则化方法，在训练过程中平衡模型对不同样本的表现，避免模型对某些样本过拟合。实验结果表明：在水质数据集上，所提方法的均方根误差(Root Mean Square Error,RMSE)为1.90,平均绝对误差(Mean Absolute Error,MAE)为0.85,分别比基线方法提升1%和2%;在用电量数据集上，所提方法的RMSE为7.43,MAE为4.03,分别比基线方法提升15%和26%,表明所提方法能够有效提升模型训练的收敛速度和模型推理的泛化能力。