在多效蒸发制盐过程中,存在诸多不稳定的因素导致制盐过程发生意外从而影响制盐产量,为了让制盐过程平稳运行,需要通过预测制盐数据的方式去挖掘影响制盐过程平稳运行的因素。多效蒸发制盐结构复杂、装置繁多等因素会致使不同参数之间的联系较为紧密,且不同参数对其自身的影响具有延时性,直接使用原始的数据进行预测而不考虑多效蒸发数据的高维度、随时间序列的变化而变化等特点,不仅工作量大,精度低,而且不能充分利用数据信息,影响最终的预测结果。因此需要设计合理、高效的多效蒸发制盐关键数据预测模型,进行更精确的分析预测。针对上述问题,本文综合考虑了多效蒸发制盐原始数据的复杂性,采用栈式自编码器进行多效蒸发制盐原始数据特征提取,解决了数据的高维、高复杂性问题。考虑到现有预测模型缺乏对输入数据权重的合理分配且存在长距离依赖的问题,提出一种基于自注意力机制的长短期记忆网络模型,实现了制盐数据的并行输入和关键信息的提取。与传统预测模型进行仿真对比,通过实验证明该模型与其他的预测模型相比,精度显著提高。在此基础上,考虑到制盐数据的非平稳、非线性、多特征的特点,本文进一步提出采用集成经验模态分解和注意力机制相结合的长短期记忆网络预测模型。该模型利用集成经验模态分解对制盐数据序列进行分解,将非平稳的制盐数据序列分解为多个平稳的子序列,实现了制盐数据的预测。实验结果表明,优化模型能够更好地拟合制盐数据,具有较高的预测精度和时序感知能力。最后,研究和开发了一套多效蒸发制盐关键数据预测系统,实现了对制盐过程的关键指标的实时显示,也可对生产过程中的关键数据进行查询与预测。