En los últimos años, el mercado de verduras de China ha enfrentado fluctuaciones de precios frecuentes y drásticas debido a factores como las relaciones de oferta y demanda y el cambio climático, que afectan significativamente a organismos gubernamentales, agricultores, consumidores y otros participantes en la industria de las verduras y la cadena de suministro. Los métodos de pronóstico tradicionales muestran limitaciones evidentes para capturar las características no lineales y los patrones de volatilidad complejos de las series de precios, subrayando la necesidad de desarrollar modelos de predicción de alta precisión. Este estudio propone un modelo de pronóstico híbrido que integra la descomposición modal variacional (VMD), el Algoritmo de Optimización de la Mosca de la Fruta (FOA) y una unidad recurrente con compuertas (GRU). El modelo emplea VMD para la descomposición multiescala de la serie de precios original y utiliza FOA para la optimización adaptativa de los parámetros críticos de GRU, abordando eficazmente los desafíos de alta volatilidad y no linealidad en el pronóstico de precios agrícolas. El análisis empírico realizado sobre datos de precios diarios de seis verduras principales, específicamente, repollo chino, pepino, judías, tomate, chile y rábano, de 2014 a 2024, revela que el modelo propuesto supera significativamente a los métodos tradicionales, modelos de aprendizaje profundo individuales y otros modelos híbridos en rendimiento predictivo. Los resultados experimentales indican mejoras sustanciales en métricas clave, incluido el Error Absoluto Medio (MAE), el Error Cuadrático Medio (RMSE) y el Coeficiente de Determinación (R), con valores de R que consistentemente superan el 99,4% y logran más del 5% de mejora en comparación con el modelo GRU base. Esta investigación establece un marco metodológico novedoso para analizar el pronóstico de precios agrícolas al tiempo que proporciona un soporte técnico confiable para el monitoreo del mercado y la regulación de políticas.