A la vista de las características de la serie temporal recopilada, como ser de alto ruido, no estacionaria y no lineal, la mayoría de los métodos actuales están diseñados para suavizar o eliminar el ruido de toda la serie temporal a la vez y luego dividir el conjunto de entrenamiento y el conjunto de pruebas, lo que llevará a utilizar la información del conjunto de pruebas en el proceso de entrenamiento, lo que resulta en fuga de datos y otros problemas. Con el fin de reducir el impacto del ruido en la predicción de series temporales y prevenir la fuga de datos, se propone un método de predicción con supresión de fuga de datos para series temporales (DLS). Este método de predicción lleva a cabo múltiples descomposiciones modales variacionales en la serie temporal mediante segmentación superpuesta y mejora la función de umbral de reducción de ruido para realizar el procesamiento de reducción de ruido en la serie temporal descompuesta. Además, se introduce la idea de aprendizaje profundo para establecer un modelo de predicción de múltiples pasos de red neuronal, con el fin de mejorar el rendimiento de la predicción de series temporales. Se seleccionan diferentes conjuntos de datos como datos experimentales, y los resultados muestran que el método propuesto tiene un mejor efecto de predicción y un menor error de predicción, en comparación con los métodos comunes de predicción de múltiples pasos, lo que verifica la superioridad del método de predicción.