La predicción de series temporales proporciona una base vital para el control y la gestión de diversos sistemas. Los datos de series temporales en el mundo real suelen ser fuertemente no estacionarios y no lineales, lo que aumenta la dificultad de una predicción confiable. Para aprovechar plenamente la capacidad de aprendizaje del aprendizaje automático en la predicción de series temporales, se propone en este documento una red de estado de eco amplio adaptativo (ABESN). En primer lugar, se utiliza el sistema de aprendizaje amplio (BLS) como marco, y se introducen los depósitos de reserva en la red de estado de eco (ESN) para formar la red de estado de eco amplio (BESN). En segundo lugar, para el problema de redundancia de información en la estructura de reserva en BESN, se propone un algoritmo de optimización adaptativa para la estructura de BESN basado en el algoritmo de poda. En tercer lugar, se propone un algoritmo de optimización adaptativa de hiperparámetros basado en el índice de prueba no estacionario. En resumen, se estudian los algoritmos de optimización de estructura e hiperparámetros para formar el ABESN basado en el modelo BESN propuesto en este documento. El ABESN se aplica a la predicción de datos de humedad del aire y carga eléctrica. Los experimentos muestran que el ABESN propuesto tiene una mejor capacidad de aprendizaje para datos de series temporales no estacionarios y puede lograr una mayor precisión en la predicción.