现实生活中有许多复杂的时间序列,传统的预测方法由于自身的局限性和系统扰动因素过大预测精度常常不符合要求,由于改进型灰色预测模型与神经网络预测具有优势互补性,采用两者组合的算法进行组合预测,可在很大程度上提高预测精度。在建立多个改进型等维新息灰色模型过程中,发现最佳预测值并不一定是等维新息值,而是多个改进型灰色模型预测值的一个组合,因此用BP网络寻求多个预测值与实际值的函数关系,得到最佳预测值。提出了基于等维新息改进型灰色BP网络算法,并以全国私人汽车拥有量的时间序列验证了算法的有效性。当研究的系统扰动因素过大或系统行为在某个时间点发生突变,出现严重扰动系统的异常数据时,本文提出不应直接按原始数据建模预测,而应根椐实际情况适当地对数据预处理,提出了基于数据修正的改进型灰色神经网络组合预测,并根据南昌火车站旅客发送量时间序列建立了多个模型,从模型预测效果步步对比中说明数据修正﹑改进型灰色模型和改进型灰色神经网络﹑灰色神经网络组合确实能提高预测精度。为这类时间序列预测提供了一可行性途径。