时间序列在实际世界中大多具有混沌性和非平稳性，难以准确建模和预测。为了解决这个问题，我们引入了一种新的基于滑动窗口机制的经验模式分解的自组织模块化神经网络（SWEMD-MNN）用于时间序列预测。在SWEMD-MNN中，开发了改进的滑动窗口经验模式分解（SWEMD）来在线分解时间序列，可以有效地缓解传统的基于EMD的模型无法处理长期或在线问题和终端效应的局限性。因此，SWEMD-MNN可以有效、动态地分解基于时间特征的时间序列，提高基于样本空间划分时间序列的经典模块化神经网络的预测精度。然后，利用样本熵和欧氏距离，利用单层前馈神经网络将时间子序列动态分配给子网络进行学习。使用基准混沌和真实世界时间序列的实验研究表明，SWEMD-MNN可以有效动态地分解时间序列，并提供比全耦合网络和其他MNN模型更好的时间序列预测精度。
