El petróleo crudo tiene atributos duales de finanzas y energía. Su fluctuación de precios impacta significativamente en el desarrollo económico global y la estabilidad del mercado financiero. Por lo tanto, es necesario predecir los precios futuros del petróleo crudo. En este documento, se propone un modelo de pronóstico híbrido de EEMD-CNN-ILSTM para el precio de futuros de petróleo crudo, que se basa en la Descomposición Modal Empírica de Conjunto (EEMD), la Red Neuronal Convolucional (CNN) y la Mejora de la Memoria a Corto y Largo Plazo (ILSTM). ILSTM mejora la compuerta de salida de la Memoria a Corto y Largo Plazo (LSTM) y agrega información importante del estado oculto basada en la salida original. Además, ILSTM agrega el aprendizaje del estado de celda en el tiempo anterior en la compuerta de olvido y la compuerta de entrada, lo que hace que el modelo aprenda más completamente de los datos históricos. EEMD descompone los datos de series temporales en una secuencia residual y múltiples Funciones Modales Intrínsecas (IMF). Luego, los componentes de IMF se reconstruyen en tres subsecuencias de alta frecuencia, media frecuencia y baja frecuencia, lo que es conveniente para que CNN extraiga eficazmente las características de los datos de entrada. La precisión del pronóstico de ILSTM se mejora eficientemente mediante el aprendizaje de datos históricos. Este documento utiliza los datos diarios de futuros de petróleo crudo de la Bolsa de Energía de Shanghai en China como conjunto de datos experimental. El EEMD-CNN-ILSTM se compara con siete modelos de predicción: Regresión de Vector de Soporte (SVR), Perceptrón Multicapa (MLP), LSTM, ILSTM, CNN-LSTM, CNN-ILSTM y EEMD-CNN-LSTM. Los resultados del experimento muestran que el modelo es más efectivo y preciso.