由于我国商业银行现金业务快速增长,为了提高现金业务各类数据信息实时性和准确性,针对目前商业银行上下级间现金业务库存预测及现金管理信息数据联动的精确性和稳定性不高的难题,本文提出以下几种方法对我国银行现金流时间预测算法进行研究。具体工作主要有以下几个方面:本文首先从目前时间序列预测所采用常用的统计学时间序列预测方法,包括移动平均法(一次,二次);指数平滑预测法(一次,二次)和自回归移动平均混合模型(简称ARMA模型)的时间序列预测算法,基于某商业银行的市场数据进行现金流时间序列预测。并通过对每一种方法的大量的仿真实验和对比实验,对其精度的有效性的验证,证明了所提方法的有效性。其次提出了一种基于灰色预测和神经网络的组合模型对银行现金流时间序列进行预测。组合模型兼有BP神经网络和灰色预测的优点,弥补了单个模型的不足,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性。本方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,并利用神经网络的函数逼近特性,实现对原始数据的预测和仿真验证。最后提出一种基于自适应种群活性粒子群优化算法(Adaptive Population Activity Particle Swarm Optimization,APAPSO)和最小二乘法(LMS)相结合的混合学习算法优化ANFIS模型参数的方法实现银行现金流时间预测预测。通过引进群体多样性度量函数,来保证种群的多样性,并通过引进自适应改变的惯性权重来提高粒子群算法的寻优能力,避免粒子群优化算法早熟收敛的问题,最后通过大量的仿真对比实验,验证了所提方法的可行性。总之,通过仿真结果表明了以上方法对银行现金流时间序列均能够取得较好的预测效果,为商业银行的业务计划制定提供了较好的数据基础和决策依据,有较好的参考价值。