La predicción de la demanda de materias primas es de vital importancia para las industrias modernas. La mayoría de los estudios se basan en la regresión tradicional, la programación lineal y otros métodos. Los estudios anteriores a menudo han pasado por alto las características del negocio de materias primas de azúcar y la influencia de los factores temporales en la demanda de materias primas, lo que resulta en una precisión de predicción limitada. Cómo predecir con precisión la demanda de materias primas de azúcar es uno de los problemas clave para la gestión inteligente. En vista de los problemas mencionados, combinados con las características del ciclo de oferta y demanda de materias primas de azúcar, este documento tiene como objetivo predecir la demanda de materias primas basándose en su oferta y demanda en una empresa azucarera real mediante la optimización de la red neuronal Elman a través del algoritmo de búsqueda de cuclillo modificado (MCS) con características temporales. Este estudio propone una búsqueda de cuclillo de correlación de características temporales-red neuronal Elman (TMCS-ENN) para predecir la demanda de materias primas de azúcar. Los resultados experimentales muestran que la precisión del modelo TMCS-ENN alcanza el 93.89%, un mejor rendimiento que el logrado por los modelos existentes. Por lo tanto, el modelo de estudio mejora efectivamente la precisión del pronóstico de demanda de materias primas de azúcar para las empresas. Esta salida será útil para mejorar la eficiencia de producción y el nivel de automatización, así como para reducir costos.