数据预测在学术上是一项热门的课题研究,主要是通过分析已存在的数据,来实现预测未来数据的目的。对数据进行预测时,需要达到相应的预测效果,这样才有实际的意义。预测的效果依赖于预测模型,对预测模型进行研究,以提高预测的准确率,这是非常有意义的。现有的预测模型可以分为单一预测模型和组合预测模型,单一预测模型中的BP神经网络能较好地模拟数据的非线性关系,预测效果较佳,但BP神经网络自身存在一定缺陷。本文对BP神经网络的优化方法进行分析研究,在此基础上,对粒子群算法(PSO)优化BP的过程进行改进,提出了改进的PSO-BP模型。该改进模型在PSO优化BP的过程中使用BP神经网络更新群体最优位置和粒子最优位置。将改进的PSO-BP与原有的PSO-BP进行预测实验对比,实验结果显示本文改进的PSO-BP模型收敛速度更快,预测效果更佳。组合预测模型能吸收每个单一预测模型的优点,不会出现某一时刻预测效果极差的情况。考虑到这个,本文使用Adaboost算法,将改进的PSO-BP、支持向量机(SVM)和灰色预测模型进行组合,提出一种新组合预测模型。这样既能吸收改进的PSO-BP的优点,又能与其他预测模型进行互补,从而得到更准确的预测结果。将新组合预测模型用于R&D投入预测实验中,同单一预测模型和其他组合预测模型进行对比,结果显示,新组合预测模型的预测效果最好,其预测误差最小。本文提出了改进的PSO-BP模型,并将其与SVM、灰色预测模型组合,提出新组合预测模型,将新组合预测模型进行预测实验,实验结果证明该组合预测模型效果更佳,准确率更高。