大宗商品期货价格的波动受供需关系、宏观经济指标、地缘政治事件和天气变化等多种因素影响。传统的预测方法难以全面捕捉这些影响因素的相互作用。为了解决这一问题，本文提出了一种基于分解-重构的混合模型（I-R-ELM），用于预测大宗商品期货价格。该模型结合了分解算法（ICEEMDAN）、特征筛选（Adaptive-Lasso）和预测模型（ELM），并提出了一种新的自动优化重构算法，以缓解分解算法的末端效应，提高预测模型的精度。通过对原油、黄金、铜、螺纹钢和大豆期货的实证分析，验证了该模型在水平精度和方向精度上的优越性。实验结果表明，本文所提模型不仅在预测精度上优于其他模型，同时在交易回测中也展示其显著的投资收益和风险控制能力。本文改进EMD类分解算法在大宗商品期货预测中的应用，同时验证了缓解末端效应后的EMD类分解在金融市场预测中的优越性。本文不仅为期货市场预测领域引入创新的方法和技术，还促进了金融领域与人工智能技术的深度融合，为未来的金融市场预测和交易策略研究开辟了新路径。