时间序列预测法是一种历史资料延伸预测,是对时间序列所反映的社会经济现象的发展过程和规律性进行引申外推,预测其发展趋势的方法.时间序列预测有多种方法,如神经网络方法和传统时间序列分析方法等,这些方法多用于处理平稳时间序列问题,并具有一定的优势,但同时存在不足之处,预测精度往往不能达到预期的效果.ARIMA模型因在对线性时间序列问题的预测中往往可以取得较高的预测精度,而得到广泛应用.统计学习理论是主要解决小样本的机器学习理论,其核心是通过控制学习机器的复杂度来实现对学习机器推广能力的控制.支持向量机(Support Vector Machine,SVM)是在这一理论下发展起来的一种通用学习方法.支持向量回归(Support Vector Regression,SVR)是支持向量机在解决回归问题时的推广形式.它以结构风险最小化为原则,借助核函数解决分类和回归问题.SVR作为一种新的神经网络技术已经被成功的应用在金融预测领域.本文主要讨论了组合模型对我国GDP值预测的绩效问题.多个模型的组合可以达到较为理想的预测效果,因此,越来越受欢迎并已得到了广泛应用.一些单一模型不能灵活体现时间变动对趋势的影响,为克服单一模型的不足,充分利用各种模型的优点,达到增加结果的可靠性和提高预测精度的目的,本文通过确定合理权系数,将ARIMA模型、指数平滑模型、SVR模型加权组合.鉴于ARIMA模型和SVR模型各自在处理线性及非线性问题中的优势,将两种模型组合.组合方式为:先用ARIMA对原始数据建立适当的模型并完成预测,再对此过程中产生的残差用SVR进行拟合,将两部分预测结果对应相加,即得到了模型间组合预测结果.与此相类似,用指数平滑模型预测,对此过程中产生的残差再用SVR拟合,同样加和两部分的预测值得到预测结果.实验结果表明:通过确定权系数的组合模型较单一模型的预测精度有所提高,而模型间组合的预测效果更佳.为了说明组合模型的高精度不是偶然产生的,对另外一组数据同样采用组合模型进行预测.对旅游外汇收入分别建立ARIMA模型、指数平滑模型、SVR模型,并将三种模型利用加权系数法进行组合.比较预测结果得出结论:组合模型的预测精度较单一模型有较大程度的提高.