随着技术的发展,时间序列预测方法在不断完善和进步,传统时间序列方法和机器学习方法是当前常用预测时间序列的方法。这些方法操作简单,预测表现良好,因而受到业界的广泛应用。然而,同一模型在不同数据序列的预测表现存在着差异性,模型的预测性能不稳定。组合预测方法可以通过组合的方式,充分利用每个模型的优势,提高模型的预测精度和通用性。回声状态网络（ESN）在时间序列预测有良好的应用表现,本文构建了一种基于ESN的集成模型。主要从两个方面优化该集成模型:其一,针对目前神经网络的参数优化算法多为启发式的情况,本文将贝叶斯推理引入到回声状态网络集成模型的正则化损失函数,优化模型参数,以此提高模型的预测精度。其二,针对定权重的组合方法无法动态更新权重系数而造成组合效率低下的问题,本文在改进的ESN集成模型基础上,利用广义混合函数动态更新组合模型的权重,以此提高模型动态捕获数据信息能力;相比其他变权重计算方法,广义混合函数的构建更加简单且计算花费更低。最后,本文通过实验模拟数据和实际数据验证该组合模型的有效性,结果表明,所构建的组合预测模型BESN-GM相比其他预测模型具有更高的预测精度和更好的稳健性。