到目前为止，关于预测的理论和方法已经有很多，但每一种单一预测模型都只是从某一个侧面去刻画数据序列的规律，都只反映序列的部分信息，都有其局限性。如果综合运用多种预测的理论进行组合预测，优势互补，最大程度地利用现有信息，就有望获得更好的预测效果。灰色预测模型最大的特点就是少数据建模。在信息不完全、信息不明确的条件下，灰色预测模型有其独特的优势。但是，灰色预测模型也有其固有的缺陷。首先，其预测图形是一条较为平滑的曲线，它刻画了事物发展的趋势，但没有考虑事物发展的随机波动性，它利用少数据建模，但如果完全忽略事物发展的整体态势，完全忽略较早以前的数据包含的信息，也是不可取的；其次，灰色预测模型是建立在经验风险最小化准则基础之上的，不可避免地存在过拟合问题。针对前一个问题，我们可以运用灰色马尔可夫组合模型来解决。马尔可夫预测模型适用于波动比较大的数据预测，状态转移矩阵能够很好地刻画数据的波动信息。运用马尔可夫模型去挖掘数据所包含的整体波动信息，并用它去修正灰色预测模型的预测结果，通过两种模型的组合预测，来提高预测的精度。针对灰色模型的第二个问题，本文提出基于支持向量机参数识别的灰色预测模型，用基于结构风险最小化准则的支持向量机方法去求取灰色模型的参数，再用灰色模型计算预测值，这样就可以避免过拟合问题，提高模型的推广能力。通过组合预测来提高预测精度的另一种思路是，将几种单一预测模型的预测结果进行加权组合，得出最终的预测结果，这又有多种不同的方法。由于神经网络具有强大的非线性拟合能力，本文采用神经网络对几种单一模型的预测结果进行学习，建立基于神经网络的非线性组合预测模型，提高了预测的精度。