自从工业革命以来,随着温室气体的排放日益增加,引发了严重的全球变暖问题。如何采取有效措施对其进行合理控制显得至关重要。过去几年来,碳排放权交易已经成为应对全球气候变化的有效举措,以欧盟碳排放权交易体系（EU ETS）为代表的全球碳市场更是在减排上颇具成效。因此,对欧盟碳价格进行预测具有非常重要的意义。目前,欧盟碳排放配额期货（EUA期货）是欧盟碳市场中流动性强、交易量大的优质碳信用产品,其交易量在全部EUA的交易中占比超85%。因此,相较于EUA现货价格,EUA期货价格更具有代表性,故本文选取EUA期货价格（简称为“EUA价格”）代表EU ETS市场的碳价格进行预测。本文通过供求理论分析,选取了供给、宏观经济、国际汇率、能源价格、气候环境、电市场5方面共计24个影响因素指标。分别使用BP神经网络模型、极限学习机模型（ELM）、长短时记忆模型（LSTM）三种时序预测的主流神经网络模型,对EUA价格进行预测,对比选出主预测模型为LSTM模型。本文首次引入基于时变滤波器的经验模态分解（TVF-EMD）对EUA价格数据进行分解,使用主成分分析法（PCA）对EUA价格影响因素进行降维。然后,创新性地引入前沿生物优化算法-海洋捕食者算法（MPA）对LSTM模型进行参数优化。最后,采用所构建的PCA-TVF-EMD-MPA-LSTM的混合预测模型对EUA价格进行预测。为验证该混合模型的稳健性,本文也对重庆市碳价格进行了预测。实证结果表明:（1）在EUA价格预测上,BP、ELM、LSTM三者中LSTM模型具有最低的平均绝对百分比误差（MAPE）,表现更为优异,体现出LSTM模型在时序数据处理上的优势。（2）使用TVF-EMD信号分解方法处理预测数据可以提高LSTM模型的预测精准度。相较于LSTM模型,TVF-EMD-LSTM模型降低了 44%的MAPE误差,提升了 13%的方向预测准确率,体现出了 TVF-EMD方法在信号分解处理方面的优势。（3）对影响因素指标使用PCA降维方法,可以提升预测模型的精确度。相较于TVF-EMD-LSTM模型,使用PCA降维方法的PCA-TVF-EMD-LSTM模型降降低了 43%的MAPE误差,提升了约10%的方向预测准确度,体现出PCA降维方法在数据处理上的优势。（4）使用MPA优化算法对预测模型进行超参数优化可以大幅提升预测模型的精准度。本文创新性地引入MPA算法对LSTM模型进行优化,构建PCA-TVF-EMD-MPA-LSTM混合模型对EUA价格进行预测。相较于PCA-TVF-EMD-LSTM模型,PCA-TVF-EMD-MPA-LSTM混合模型降低了 39%的MAPE误差,提升了 11%的方向预测准确率。（5）本文所构建的PCA-TVF-EMD-MPA-LSTM混合模型较为稳健,对中国碳排放权市场的碳排放权价格的预测仍然适用,并且引入MPA优化对预测模型的提升依然有效。在对重庆市碳排放权价格预测上,相较于PCA-TVF-EMD-LSTM模型而言,本文所构的PCA-TVF-EMD-MPA-LSTM模型显著降低了 MAPE误差,下降约25%,在方向预测的准确度上也提升约13%。