Para mejorar la precisión predictiva de los números de manchas solares, se construyó un modelo híbrido para pronosticar los futuros números de manchas solares. En este documento, presentamos un modelo de predicción basado en la descomposición completa del modo empírico de ensamble con ruido adaptativo (CEEMDAN), unidad recurrente con compuerta (GRU) y compensación de errores para predecir los números de manchas solares. CEEMAND se aplica para descomponer los datos originales de números de manchas solares en varios componentes, que luego se utilizan para entrenar y probar el GRU para los parámetros óptimos de los submodelos correspondientes. La compensación de errores se utiliza para resolver el fenómeno de retraso entre el número de manchas solares original y el resultado predictivo. Comparamos nuestro método con el informante, aumento extremo del gradiente combinado con aprendizaje profundo (XGboost-DL), y métodos de descomposición del modo empírico combinados con red neuronal de memoria a corto y largo plazo y mecanismo de atención (EMD-LSTM-AM), y se utilizan métricas de evaluación, como RMSE y MAE, para medir su rendimiento. Nuestro método disminuye más de 2.2813 y 3.5827 en relación con RMSE y MAE, respectivamente. Por lo tanto, el experimento puede demostrar que nuestro método tiene una clara ventaja en comparación con los demás.