国际经济竞争越来越激烈,为保证我国在国际竞争中立于不败之地,必须保证宏观经济稳定发展。GDP增长率反映了国家经济状况的整体水平,CPI指数直接影响国民购买力。在制定宏观经济政策时,必须研究历史数据,从历史数据中寻求它们之间的内在关系,进而为制定合适的方针政策提供指导。GDP增长率与CPI指数的历史数据具有复杂的时间序列性和非线性性。人工神经网络算法具有良好的非线性拟合能力,在处理非线性问题时得到了广泛应用。BP神经网络算法和SVM算法作为人工神经网络中两种广泛使用的算法,都具有良好的非线性拟合能力,但也存在不足。针对不足之处,本文做了以下几方面的工作。1、针对BP神经网络算法容易陷入局部极小值,提出了PSO-BP模型算法。该方法主要利用PSO算法良好的全局寻优能力对BP算法的权值和阈值进行优化,从而避免BP算法陷入局部极小值。2、SVM算法中参数的选择直接影响模型的性能,所以如何选择恰当的参数至关重要。文中利用GWO灰狼算法良好的全局寻优能力对SVM的参数进行寻优,从而提高SVM模型的预测精度。3、PCA主成分可以实现降维,并保留原始数据的绝大部分信息,文中用PCA算法对实验数据进行降维,来提高模型的预测精度。通过PCA-PSO-BP模型对GDP增速和CPI指数进行拟合预测,实验结果表明PCA-PSO-BP模型比PCA-BP模型和PSO-BP模型具有更高的拟合精度和更小的均方误差。此外,文中也对PCA-GWO-SVM模型进行了GDP增长率和CPI指数的预测实验。结果表明PCA-GWO-SVM模型比PCA-SVM模型和GWO-SVM模型具有更高的拟合精度和更小的均方误差。通过PCA-PSO-BP模型与PCA-GWO-SVM模型的实验结果对比发现,PCA-GWO-SVM模型有更小的均方误差。