La gripe es una enfermedad infecciosa respiratoria aguda marcada por su alta contagiosidad y rápida propagación, causada por virus de la gripe. La predicción precisa de la gripe es un tema crítico en salud pública y sirve como una herramienta esencial para estudios epidemiológicos. Este artículo busca mejorar la precisión de la predicción de las proporciones de enfermedades similares a la gripe (ILI) proponiendo un nuevo modelo predictivo que integra una técnica de descomposición de datos con el algoritmo Grey Wolf Optimizer (GWO), con el objetivo de superar las limitaciones de los métodos de predicción actuales. En primer lugar, se seleccionaron los indicadores más adecuados utilizando el coeficiente de correlación de Spearman. En segundo lugar, se estableció un modelo GWO-LightGBM para obtener los residuos entre los valores predichos y reales. La secuencia residual del modelo GWO-LightGBM fue luego descompuesta y corregida utilizando el método de Descomposición Modal Empírica de Ensamble Completo con Ruido Adaptativo (CEEMDAN), lo que llevó al desarrollo del modelo GWO-LightGBM-CEEMDAN. Se demostró que la incorporación del Índice Baidu mejora la precisión de las predicciones del modelo propuesto. El modelo propuesto supera a los modelos de comparación en términos de métricas de evaluación como el RMSE y MAPE. Además, nuestro estudio encontró que los indicadores revisados del Índice Baidu muestran una notable asociación con las tendencias de ILI.