数据预测方法广泛应用于数据采集、工业控制、智能处理等领域,目前的主要预测方法包括：时间序列法,卡尔曼滤波法,混沌理论法,人工神经网络法,支持向量机的方法等等。这些预测方法存在着预测精度和效率较低,预测速度较慢等问题,有待提高。本文针对这些问题进行改进,基于经验模态分解(EMD)与回声状态网络(ESN),提出一套组合智能预测方法,本文结构与主要研究内容：1论述了预测方法的研究意义及发展现状。对常用组合预测方法进行介绍,确定本文所用的两种方法,即经验模态分解(EMD)与回声状态网络(ESN)。本文基于以上两种方法,建立了一种新型的EMD-ESN组合预测模型。该模型利用EMD对数据进行分解,并对分解的数据分别建立ESN网络进行识别,再将识别结果进行叠加,获得最终预测值。2基于本文提出的EMD-ESN模型,将其应用于短期电力负荷预测中,进行单变量数据预测。利用一段负荷序列的EMD分解所得的分量值作为回声状态网络的输入与比较输出,训练网络,并利用训练好的网络对下一段时间的负荷值分量进行预测,将预测所得分量值相加后得到最终的电力负荷预测值。3对上述的单变量EMD-ESN模型进行扩展,进行多变量预测,并将其应用到热辊温度控制系统中,进行多变量预测。在进行多变量预测时,需对扩展的每个变量均进行EMD分解,EMD分解要考虑多个变量的各分解值个数相等或不相等两种情况下,回声状态网络的输入要区别对待。4将以上多变量预测的结果与模糊PID控制器结合,应用于热辊温度预测控制中,建立了基于预测的模糊PID控制模型,得到热辊温度控制系统。本文的创新点在于采用EMD与ESN两种新方法相结合组成组合预测模型,并分别利用该组合模型对单变量和多变量数据进行预测,然后将该预测模型用于工业控制领域,组成预测控制系统,该方法的应用,为工业系统设计提供了新的可借鉴的思路。