Predecir con precisión el precio del carbono es una forma efectiva de garantizar la estabilidad del mercado de comercio de carbono y reducir las emisiones de carbono. Apuntando a las características no suaves y no lineales del precio del carbono, este documento propone un nuevo modelo de predicción híbrido basado en la mejora de la extracción de características y la integración no lineal, que se basa en la descomposición empírica completa de ensamble con ruido adaptativo (CEEMDAN), entropía difusa (FuzzyEn), mejora del bosque aleatorio utilizando la optimización de enjambre de partículas (PSORF), máquina de aprendizaje extremo (ELM), memoria a corto y largo plazo (LSTM), integración no lineal basada en regresión lineal múltiple (MLR) y bosque aleatorio (MLRRF), y corrección de error con el modelo autoregresivo integrado de media móvil (ARIMA), denominado CEEMDAN-FuzzyEn-PSORF-ELM-LSTM-MLRRF-ARIMA. En primer lugar, CEEMDAN se combina con FuzzyEn en el proceso de selección de características para mejorar la eficiencia y confiabilidad de la extracción. En segundo lugar, en la etapa crítica de predicción, se seleccionan PSORF, ELM y LSTM para predecir secuencias de alta, mediana y baja complejidad, respectivamente. En tercer lugar, las secuencias reconstruidas se ensamblan aplicando MLRRF, lo que puede mejorar efectivamente la precisión de la predicción y la capacidad de generalización. Finalmente, se realiza una corrección de errores utilizando ARIMA para obtener los resultados de pronóstico finales, y se introduce la prueba Diebold-Mariano (prueba DM) para una evaluación integral de los modelos. Con respecto a los precios del carbono en las regiones piloto de Shenzhen y Hubei, los resultados indican que el modelo propuesto tiene una mayor precisión de predicción y robustez. Las principales contribuciones de este documento son la mejora de la extracción de características y la innovadora combinación de regresión lineal múltiple y bosques aleatorios en un marco integrado no lineal para la predicción del precio del carbono. Sin embargo, la optimización adicional sigue siendo un trabajo en progreso.