La predicción precisa de la velocidad del viento atmosférico en el espacio cercano es importante tanto para la investigación científica de la atmósfera media y alta como para aplicaciones de ingeniería. Con el fin de mejorar la precisión de las predicciones de velocidad del viento a corto plazo en el espacio cercano, este artículo propone un método de predicción híbrido de múltiples pasos basado en la combinación de descomposición modal variacional (VMD), optimización por enjambre de partículas (PSO) y redes neuronales de memoria a largo y corto plazo (LSTM). Este artículo utiliza la medición de la velocidad del viento en el rango de altura de 80-88 km en el sitio de Kunming (25.6 grados N, 103.8 grados E) para experimentos de predicción de velocidad del viento. Los resultados muestran que el error cuadrático medio () y el error porcentual absoluto medio () de las predicciones de viento a múltiples pasos son inferiores a 6 m/s y 15%, respectivamente. Además, el método VMD-PSO-LSTM propuesto se compara con el modelo tradicional de media móvil autorregresiva de diferencia estacional (SARIMA) para investigar su rendimiento. Nuestro análisis muestra que la mejora porcentual del rendimiento de la predicción en comparación con el modelo tradicional de predicción de series temporales puede alcanzar hasta un 85.21% y un 83.75% en y , respectivamente, lo que significa que el modelo VMD-PSO-LSTM tiene mejor precisión en la predicción de múltiples pasos de la velocidad del viento.