预测是很多行业都需要的一项技术。随着数据的积累,较多行业面临海量数据预测的问题。针对此问题对数据加工及其分析方法进行全面且深入的研究显得尤为重要。各类行业数据的表现形式不同,产生了特定领域的各种预测模型。不同学科不同领域的数据融合与分析应用也将是未来大数据研究运用的一大方向。跨学科、跨领域预测模型的自动化构建预测过程还未有标志性的成果。为适应新的大数据发展趋势,亟待解决预测模型的自动化预测方法。近些年,根据国内外专家的综合分析已经有了一些可观的研究成果,其中应用较多的两种相对稳定的预测模型分别为高斯过程回归模型和人工神经网络模型。高斯过程是一个随机处理过程,对处理小样本、非线性、高维数等复杂问题具有很好的适应性。人工神经网络模型具有高速寻找优化解、并行计算、联想存储等特点,同时还具有良好的自学习能力。但是每种预测模型都存在优缺点,在处理数据或者得到预测的结果总会存在误差。因此,本文通过分析各类模型的优缺点提出了一种新的预测模型:PWGB模型。预测模型实现了自动化的预测,其预测过程首先通过PCA算法进行数据处理,处理后的结果作为改进后高斯过程回归模型的输入数据进行拟合得到基本预测数据与残差序列,通过BP神经网络修正的残差序列与基本预测数据相结合,得到PWGB模型的最终预测结果。PWGB模型与单项模型相比组合预测模型的适用范围更大,经过对比实验进一步证明了该模型具有一定的适用性,提高了预测结果的精度。