复杂系统广泛存在于气象、水文、金融等众多领域,其内部动态演化规律往往呈现复杂的混沌特性。目前,人们通过采集系统的数字特征对其进行研究。由于实际中采集时间序列表现出非平稳的特点,结构单一预测模型难以满足实际预测精度需求。因此,本文考虑使用信号分解方法和神经网络模型相结合的方法对时间序列进行预测。即信号分解方法将时间序列分解成多个频率子信号,然后构建神经网络模型对子信号进行建模预测,从而提升预测精度。目前,信号分解方法主要分为经验模态分解方法和变分模态分解方法。经验模态分解方法存在着模态混叠现象,导致分解子序列不够精确,而变分模态方法是一种非递归分解方法,可以避免出现前者的缺点。对此,本文提出基于变分模态分解神经网络组合模型,利用变分模态分解方法将原始时间序列分解成设定模态个数的子序列,采用深度信念网络对子序列进行特征提取,最后通过回声状态网络模型对特征预测。这种组合模型避免了对子序列分别建立模型所造成的繁琐过程,同时保证了预测精度。此外,本文为了简化对子序列构建预测模型,提出变分模态分解方法和改进的回声状态网络预测模型。采用排列熵对子模态和原始序列进行复杂度估计,保证了分解子序列相比原始序列具有更低的复杂度,得到具有平稳变化趋势的子序列。同时,采用改进的回声状态网络模型对子序列进行预测,该模型具有较强的泛化能力,避免了对子序列分别建立预测模型繁琐过程。最后,对实际数据集的仿真实验,证明该模型有效提升了预测精度。实际采集的时间序列具有较强的非线性和非平稳性特点,因此对时间序列进行长期预测有一定难度。对此,本文提出一种变分模态分解方法与具有双递归层的神经网络组合模型。利用变分模态分解方法将原始序列分解成多维信息子序列。分解的多维子序列能够展现出复杂系统内部的有效特征,有利于神经网络模型对时间序列进行预测。为了能够充分提取分解的子序列长期演化的特征信息,提出具有双递归层的神经网络模型。该神经网络模型具有双储备池结构,将原始信息和分解的信息利用第一个储备池进行特征提取,将提取的信息和分解的子序列进行结合,利用第二个储备池进行预测。通过对伦敦二氧化氮数据进行仿真实验结果表明,提出的模型在短期预测和长期预测中都展现出较高的预测精度。