El pronóstico del precio del comercio de carbono es crucial tanto para vendedores como para compradores; los modelos de integración multiescala se han utilizado ampliamente en este proceso. Sin embargo, estos modelos multiescala ignoran el proceso de reconstrucción de características, así como la parte residual y también suelen centrarse en la integración lineal. Mientras tanto, la mayoría de los modelos no pueden proporcionar intervalos de predicción, lo que significa que descuidan la incertidumbre. En este documento, se propone un modelo de integración no lineal multiescala mejorado. El conjunto de datos original se divide en algunos subgrupos a través de la descomposición modal variacional (VMD) y todos los subgrupos pasarán por el proceso de entropía de muestra (SE) para reconstruir las características. Luego, se utilizan la integración de bosques aleatorios y memoria a corto y largo plazo (LSTM) para modelar subsecuencias de características. Para la parte residual, la estrategia de corrección residual LSTM basada en la prueba de ruido blanco corrige los residuos para obtener resultados de predicción puntual. Finalmente, se aplica el proceso gaussiano (GP) para obtener la estimación del intervalo de predicción. El resultado muestra que en comparación con algunos otros métodos, el método propuesto puede obtener una precisión satisfactoria que tiene el mínimo error estadístico. Por lo tanto, se puede concluir que el método propuesto es capaz de predecir eficientemente el precio del carbono y proporcionar la estimación del intervalo de predicción.