磁暴的恢复相期间,大量相对论(高能)电子从磁层的外辐射带渗透到地球同步轨道(Geosynchronous Orbit,GEO),其中>2MeV的高能电子能够穿透卫星表面并聚积在材料内部,导致卫星无法正常运行或完全损坏。由于太阳风的外部挤压,磁暴期间的高能电子变化十分剧烈,高能电子通量数据序列的非平稳与非线性特征十分明显,给准确预报带来非常大的困难。通过实验发现经验模态分解(Empirical Mode Decomposition,EMD)算法能够较好地处理高能电子通量数据序列的非平稳问题。高能电子通量在磁暴的恢复相期间通常会有明显的增强,有时突然增加3-4个量级。现有的大部分预报模型难以较为准确地刻画高能电子通量突然增强的事件。这里引入长短时记忆(Long Short Term Memory,LSTM)网络预报高能电子通量,该算法更容易捕捉数据集中的非线性关系并可以根据历史数据序列中的有用信息对高能电子通量进行较为准确的预报。结合EMD算法与LSTM网络对GEO高能电子通量进行组合预报,以2001-2009年的数据作为训练集,2010-2013年的数据作为测试集,预报后一天的GEO上>2MeV高能电子通量。预报结果较为理想,并将预报结果与持续预报模型、传统的卡尔曼滤波模型、LSTM网络模型以及使用EMD算法和卡尔曼滤波算法的模型的预报结果做对比。结果表明:结合EMD算法与LSTM网络的组合模型的预报效果最为理想,2010-2013年的预报效率都在0.80以上,最高预报效率可达0.92。此外,将2003-2006年的预报结果与空间天气经典预报模型的预报结果进行对比,结果表明:基于EMD算法与LSTM网络的组合模型的预报效果最好,进一步验证了该组合预报模型的有效性。