时间序列预测是近年来众多领域的研究热点,具有重要的实际应用价值,科学、准确的预测结果能够为社会活动提供关键的指导作用。随着时间序列预测的研究对象逐渐向实际序列发展,采用单个模型进行建模往往不能获得令人满意的预测效果。经验模态分解算法是一种里程碑式的信号分析方法,它能将信号自适应地分解为若干个简单的、易于建模的子信号,从而大大降低建模难度,能够有效提升预测精度。经验模态分解算法自提出以来,受到众多学者的广泛关注和深入研究,现已成为时间序列分析和预测的重要手段。但目前已有的基于经验模态分解的时间序列预测方法普遍存在模态混叠、预测网络规模大、对高频子信号预测效果差等问题,对此本文提出两种改进策略,以缩减预测网络规模,提高模型预测精度。针对基于经验模态分解算法的组合模型普遍存在的模态混叠、预测网络规模大等问题,本文提出一种改进的基于集成经验模态分解和回声状态网络的组合预测模型。该模型首先采用集成经验模态分解算法对原始序列进行自适应分解,能够有效克服经验模态分解中存在的模态混叠问题,然后利用排序熵对分解得到的一系列子序列进行复杂度分析,合并复杂度相近的分量用于后续预测,以减少预测器的使用个数,最后将各个分量的预测结果组合叠加作为最终的预测值。基于Lorenz和黄河年径流量时间序列的仿真结果表明,改进模型在保证预测精度的前提下,有效地缩减了预测网络规模。针对基于单一分解技术的组合模型存在的无法完全跟踪原始时间序列的非平稳性和不规则性这一问题,本文提出一种基于两层分解技术和优化神经网络的组合模型。该模型采用具有自适应噪声的完整集成经验模态分解算法对原始信号进行第一层分解,得到一系列由高频到低频排列的子信号。由于高频子信号复杂度高,导致信号追踪困难,建模预测效果差,对此本文提出加入变分模态分解算法对高频子信号进行再次分解,更全面地掌握原始信号特征,从而有助于建立更精确的预测模型,提升整体预测精度。基于墨尔本日最高气温序列的预测结果表明,本文提出的基于两层分解技术的组合模型的预测效果明显优于基于单层分解技术的组合模型。