Es a menudo difícil describir series temporales naturales debido a dependencias implícitas y ruido correlacionado. Durante procesos naturales anómalos, aparecen características anómalas en los datos. Tienen una estructura no estacionaria y no nos permiten aplicar métodos tradicionales para el modelado de series temporales. Para resolver estos problemas, se requieren nuevos modelos que describan adecuadamente los datos naturales. En este artículo se propone un nuevo modelo híbrido de series temporales (HMTS) con una estructura no estacionaria. El componente regular de HMTS se determina en base a una red neuronal autoencoder. Para describir el componente anómalo de HMTS, se utiliza un esquema de aproximación no lineal adaptativa (ANAS) en una base de ondas. HMTS se considera en esta investigación para el problema de modelado y detección de anomalías en datos de monitoreo de neutrones. Las anomalías en los datos de monitoreo de neutrones indican factores negativos en el clima espacial. La detección oportuna de estos factores es críticamente importante. Esta investigación mostró que el HMTS desarrollado describe adecuadamente los datos de monitoreo de neutrones y tiene resultados satisfactorios desde el punto de vista del rendimiento numérico. Los valores del modelo MSE están cerca de 0 y los errores son ruido gaussiano blanco. Para optimizar la estimación del componente anómalo de HMTS, se aplicó la prueba de razón de verosimilitud. Además, se determinó la base de ondas que proporciona las menores pérdidas durante la construcción de ANAS. Los resultados del modelado estadístico mostraron que HMTS proporciona una alta precisión en la detección de anomalías. Cuando la relación señal/ruido es de 1.3 y las duraciones de anomalía son de más de 60 cuentas, la probabilidad de detección es cercana al 90%. Esto es una tasa alta en el dominio del problema considerado y proporciona confiabilidad en la solución del problema de detección de anomalías en los datos de monitoreo de neutrones. Además, el procesamiento de datos de varias estaciones de monitoreo de neutrones mostró la alta sensibilidad de HMTS. Esto muestra la posibilidad de minimizar el número de estaciones involucradas, manteniendo la precisión en la detección de anomalías en comparación con el método de encuesta global ampliamente utilizado en este campo. Este resultado es importante ya que la operación continua de las estaciones de monitoreo de neutrones no siempre está garantizada. Por lo tanto, los resultados muestran que el HMTS desarrollado tiene el potencial de abordar el problema de detección de anomalías en los datos de monitoreo de neutrones incluso cuando el número de estaciones en funcionamiento es pequeño. El HMTS propuesto puede ayudarnos a disminuir los riesgos del impacto negativo de las anomalías del clima espacial en la salud humana y la infraestructura moderna.