在不同背景下对时间序列进行预测,可以预知行业的发展趋势,更好地指导人们的社会生活,基于回声状态神经网络（ESN）的时间序列预测方法已逐步成为人们研究的热点之一。传统的ESN针对金融时间序列或者对电力系统的时间序列进行预测时,难以达到最佳的预测效果,且对复杂度较高的时间序列,ESN不能很好地探索其规律。本文提出一种基于柯西变异和领导机制的粒子群（ACSIL-PSO）算法优化ESN的时间序列预测方法。该方法针对ESN在训练过程中使用wiener-hopf方法确定输出连接权时,难以保证ESN的适应性和预测精度。在ESN的训练过程中使用ACSIL-PSO算法优化ESN的输出连接权,确保ESN的适应性。并且ACSIL-PSO算法引入了领导者和竞争者的思想,使用领导粒子更好的引领其他粒子进行搜索,通过IGCM变异策略更新全局最优位置,降低粒子陷入局部最优的可能性。在粒子学习交流的过程中使用排序交流的方法,加强粒子之间的学习,提高粒子收敛的速度和预测精度。进一步分析预测数据,发现复杂度较高的时间序列,使用传统的预测方法,往往不能得到较好的预测结果,由此,提出一种具有自适应噪声的完整集成经验模态分解（CEEMDAN）和基于柯西变异的粒子群算法（DWPSO）优化ESN的组合预测方法。首先采用CEEMDAN将时间序列分解成若干子序列,使用PE检测子序列的复杂度,合并PE接近的子序列,其次使用DWPSO算法优化ESN的预测方法,对合并后的序列进行预测,最后将各序列的预测值叠加得到实际的预测值。该方法降低了时间序列的复杂度,减少预测的个数和计算量,从而保证了ESN的适应性。DWPSO算法对群体的最优位置使用自适应柯西变异,加大群体逃离局部最优的可能,同时在粒子的搜索过程中,使用自适应的惯性权重策略,加速粒子群的收敛。对两种算法通过实验与其他算法进行对比,发现这两种算法在预测精度上都有一定的提高。最后设计并实现了时间序列预测系统,实现数据的处理、提取和预测等功能,同时预测结果实现可视化。