随着我国社会、经济和文化的飞速发展,以及人工智能技术的飞速发展,大数据技术日益凸显其在信息加工方面的重要性。在全面信息化时代的今天,依附大数据技术为主导的产业已成为当今社会经济增长的重要动力。海量数据信息所具有的高度随机性,非线性和偶尔性特点使得其特点类型错综复杂,因此如何在众多预测方法中选择适当的方法进行数据筛选和数据挖掘成为大数据技术发展的关键一环。因此大数据时代下的数据筛选,挖掘和预测成为当今国内外学者关注和学习的焦点。近年来,随着国内外学者对该问题的深入探讨,对该问题的预测方法和模式都取得了长足的进展,其预测精度和效果也明显提高。研究表明,基于传统统计学的预测模型操作简便,且对于线性数据具有较好的预测结果,但是由于现实中的数据往往呈现出较强的非线性性,因此基于传统统计学的预测模型在实际中难以达到令人满意的预测结果。而在深度学习领域,基于神经网络的预测模型,相较于传统统计模型具有较强的学习能力,能够充分提取时间序列数据的特征,强有效的解决了传统统计模型不能解决的问题。但是,由于这些单一的神经网络的特点,使得它的拟合性出现了一些问题,比如,由于对数据进行了过分的拟合,导致了不同的预报模式之间的差异,从而导致了神经网络对时间序列的预报有一定的缺陷。综合以上问题,结合不同的组合模式,可以使各种模式的优点得到最大程度的发挥,从而使得模型的预测精度和预测的有效性得到显著提升,预测效果较之于单个模型往往能得到大幅度的提升。为全面且合理解决上述问题,本文最后提出研究了一种主要基于完全分解集成策略数据分解降噪技术、多目标蜻蜓算法（MODA）、五个单一的人工神经网络预测模型（BPNN、ENN、ELM、SVM、GRNN）共同构成的CEEMD-MODA组合预测模型,通过采用多目标蜻蜓算法对组合模型中单一神经网络的权值和阈值进行最佳参数寻优并赋值,并对单个模型的神经网络预测模型进行权值赋值拟合来构建消费者信心指数预测模型。同时本文又为能够切实验证CEEMD-MODA组合模型预测结果的真实准确性和分析方法的有效性,通过多阶段滚动预测、假设检验、四个科学评价指标、五组多层次的量化实证分析比对以及16个比较预测模式进行科学比对,由此建立了一种科学、严密的综合评价指标,对新建立的CEEMD-MODA组合模型进行了较为科学、合理的分析,并据此进一步挖掘新提出组合预测模型的风险寻优能力和系统模型预测性能。为能够全面客观验证本文所新提出CEEMD-MODA组合模型的有效性,本文选取来按月度统计的由中经网发布的1999年1月至2021年12月共275个的消费者信心指数同比数据。通过文章第四部分的实证研究可以表明:16个对比模型（BPNN、ELM、ENN、SVM、GRNN、CEEMD-BPNN、CEEMD-ENN、CEEMD-ELM、CEEMD-SVM、CEEMD-GRNN、EMD-MODA、EEMD-MODA、SSA-MODA、CEEMD-MOALO、CEEMD-MOGOA、等权组合模型）的 MAPE值分别为 3.07%、2.79%、2.83%、3.73%、4.31%、2.03%、2.39%、2.18%、2.01%、2.74%、2.14%、2.06%、2.49%、1.93%、2.01%、2.02%,组合预测模型的CEEMD-MODA的MAPE指标值为1.89%在所有比对模型中有最小的指标值,结果表明,这种方法可以有效地改善CCI的预报精度和稳定性。为进一步说明组合模型的优越性本文引入了预测可行性检验和DM检验从而进一步说明组合模型的优越性。本文所提出的基于CEEMD-MODA优化后的组合神经网络模型用于消费者信心指数（CCI）的预测,在应用到现实中的CCI数据中具有较强的现实性和可应用性。本文创新如下:第一,在数据预处理上,采用完全集成经验模态分解集成策略来消除数据中所含有的高频噪声,通过消除高频噪声来显示数据的主要趋势特征。来降低原始数据的随机性和波动性,以此提高预测性能。第二,基于元启发式群体智能优化算法,利用多目标蜻蜓算法对各预测模型进行权值和阈值的优化分配。第三,在实际对CCI数据进行定量预测应用时,突破了当前传统单一变量预测模型理论的局限性,采用多种组合的预测模型来对CCI进行定量预测,在一定程度上有效的提高了预测精度和稳定性。第四,本文较全面、科学地评价了该模型的预报效果。该评估体系采用四个指标,对四个指标进行了对比,因此,通过对各种指标的分析,可以看出,所建立的CCI综合预报模式在预报效果和精确度方面都是最佳的。