预测模型,近年来被广泛应用于各个领域,各种各样的预测模型也层出不穷。为了提高预测精度,人们在模型选择和对模型的参数优化上做了大量的分析研究工作。但有极少的模型是对时间序列本身包含的特性进行分解分析建模的。本文基于对数据特性的分析,提出了一个基于数据分解的混合预测模型（DDH模型）,该模型对含有周期性（包含季节性）、趋势性和随机性的序列有很好的预测精度。DDH模型为了增加预测的精确度,采用层层递减分解的方法;然后再根据分解后的数据特性,尽可能按各自特征找到适合的模型来进行预测。通过对数据的有效分解,并对各分解数据采用恰当的预测模型,可以有效的改善预测方法的拟合性能,提高预测模型的预测精度。此外,在此模型单步预测研究的基础上,通过对数据进行重构,使得单步预测的精度标准上达到多步预测的效果。本文利用澳大利亚新南威尔士州的负荷数据对提出的数据分解混合预测模型进行实际应用研究。首先将原始数据用移动平均法提取周期项（季节项也归为周期项）。对周期项采用周期调整的方法。其次再对层层递减分离出的趋势数据用经验模态分解方法去掉高频数据,再用遗传算法优化的广义回归神经网络来进行预测。对随机数据用遗传算法优化的广义回归网络进行预测,最后用加法模型将其预测值整合。由预测效果分析可以看出本文提出的基于数据分解混合预测模型具有很强的非线性拟合能力和优良的负荷预测性能。仿真结果和对预测过程的分析表明,提出的这个模型对于含有周期项、趋势项、随机项的非线性时间序列有很好的预测效果。