Dadas las características altamente no lineales e inestables de los precios del carbonato de litio en la cadena de la industria de baterías de litio de China, la precisión de un solo modelo de predicción es limitada. Este estudio introduce los precios de materiales relacionados en la industria de baterías de litio e indicadores macroambientales como factores clave de influencia. Este estudio utiliza la Descomposición Modal Variacional (VMD) y el Algoritmo de Búsqueda de Gorrión (SSA) para desarrollar aún más la red Long Short-Term Memory (LSTM), lo que resulta en un modelo de combinación VMD-SSA-LSTM para predecir los precios del carbonato de litio. Los resultados de la investigación indican que (1) utilizando la VMD para descomponer la serie temporal de los precios originales del carbonato de litio se pueden extraer con precisión las características principales de los precios y debilitar significativamente la inestabilidad de los datos; (2) al aprovechar el SSA para realizar una optimización global en los tres parámetros del modelo LSTM y ajustar los parámetros óptimos en la red LSTM, se mejora la capacidad de generalización y la robustez del modelo; (3) en el conjunto de datos del carbonato de litio, el modelo VMD-SSA-LSTM supera a los modelos típicos LSTM y VMD-LSTM, logrando el error de predicción más bajo y un buen ajuste (R) de 0,9880, demostrando una mayor precisión de predicción para los precios del carbonato de litio. Este estudio presenta referencias más precisas para la optimización de recursos y decisiones de precios en la industria del carbonato de litio.