预测是决策的前提,任何成功的决策都离不开科学的预测。预测因涉及的不确定因素众多而显得格外复杂。预测方法虽然很多,但是没有一个是完美的和普遍适用的。探索新的预测方法或预测体系成为相关领域的研究热点。　　集成预测技术作为一种新型的研究问题的方法之一,其核心是对同一个对象采用若干个而不是单一的学习机器进行学习和预测,并对各学习机器的预测结果进行综合,以期得到较为全面和可靠的预测。集成预测技术的关键在于探索各学习机器之间的组织机制。研究表明该方法能够显著地改善学习系统的泛化能力,提高预测精度。　　本文通过对灰色系统理论、BP神经网络、粗糙集理论和支持向量机的深入研究,分析各自的优点与不足,研究如何用灰色系统理论、人工神经网络技术、粗糙集理论和支持向量机等来构造集成预测模型,并将相应的算法进行集成,从而实现集成预测。主要完成以下工作:　　1、对常规的预测技术以及几种新型的预测技术进行综述,指出各种预测方法在实际应用中的成功与不足,提出集成预测模型思想,讨论如何有效地应用基于灰色系统理论、神经网络、粗糙集理论和支持向量机等的预测技术来构造出相应的集成预测模型,对可能的集成方式方法作了初步探讨。　　2、在深入研究GM(1,1)模型和BP网络模型的建模原理和充分讨论了各自的优缺点的基础上建立了一个灰色人工神经网络(GANN)集成预测模型,充分利用灰色系统弱化数据的随机性及其动态性和神经网络非线性映射的特性,发挥两者的优势,从而在一定程度上提高预测精度。　　3、将粗糙集理论和人工神经网络相结合,通过应用粗糙集理论实现数据的约简和规则的约简,并最终把约简后的规则输入神经网络,建立粗集神经网络(RSNN)预测模型。该模型汲取粗糙集理论在去除冗余属性和冗余样本、压缩信息空间维数、精简知识系统等方面的优势和神经网络所具有的非凡的非线性映射能力及自适应、自学习、鲁棒性和容错能力,有效地避开其存在知识解释性能差、训练时间长特别是对输入数据的冗余难以约简等缺点与不足。　　4、针对时间序列数据的预测,提出了将传统的GM(1,1)模型和支持向量回归(SVR)算法相结合的一种灰色支持向量回归(GSVR)集成预测模型。集成模型发挥了灰色预测方法中“累加生成”的优点,削弱了原始数据中的随机性,增强了规律性,同时避免了灰色预测方法及模型存在的理论缺陷,充分体现出SVR克服了“过学习”问题,能够得到全局最优解,具有更好的推广能力,显著提高了模型的预报能力。