随着社会和科技的发展,人们对时间序列等数据的研究日渐深入,然而现实中的时间序列多有几种基本成分复合而成,直接对其使用单一模型进行预测,预测精度难以提高。本文研究的数据来自风云3号A星的中分辨率光谱成像仪（MERSI）的定标参数时间序列,此时间序列在长时间段上呈现上升趋势,同时短时间内又有周期性变化,同时还含有噪声。本文先鉴于集合经验模态分解（EEMD）和Seasonal-Trend decomposition procedure based on Loess（STL）各自的特点,本文提出了一种基于STL与经验模态分解的变体EEMD结合的分解方式,然后基于这种分解方式,对得到的子序列使用长短期记忆网络（LSTM）进行建模。同时在此基础上,将变分模态分解（VMD）替代EEMD,分解出指定个数的子序列,从而得到一种新的基于混合模型的预测模型。具体的研究工作主要包括以下内容:1.本文提出了一种基于STL与经验模态分解的变体EEMD结合的分解方式,即对数据首先进行STL分解,在得到趋势项、周期项和残差项后,把周期项和残差项重新组合成新的时间序列。然后使用EEMD重新分解这个新的时间序列,得到多个本征模态函数,按照频率的次序,重新组合本征模态函数,重构出新的周期项和残差项。最后,将趋势项、重构的周期项重和构的残差项作为LSTM的数据集,训练模型,提高了时间序列预测精度。2.虽然STL-EEMD-LSTM混合模型在卫星传感器时间序列预测方面具有优势,但其分解模态个数具有随机性。因此本文使用能够分解固定模态个数的变分模态分解VMD再次分解由STL得到的周期项和残差项,求解出使子序列信号带宽之和最小的变分约束方程,即分解出指定个数的模态,提高卫星传感器分解精度,然后再使用LSTM进行预测,从而得到一种新的基于混合模型的预测模型。3.本文实现了基于卫星定标参数时间序列的趋势预测系统,基于本文的理论知识和实验分析及结果,可视化展示了时间序列分解和预测的过程和结构,为卫星定标参数的分析和研究提供帮助和支持。