人工智能的兴起使得神经网络(NN)、支持向量机(SVM)、模糊系统等方法被广泛地应用于预测领域。然而,基于人工智能的方法,需要大量的训练数据和相对长的训练期,对于经济预测,满足这些条件很困难,因为经济时间序列高度非线性、随机性使得序列极不规范、极其灵活。灰色系统理论和单步预测方法(滚动机制)的引入很好地解决了这一问题,它仅仅只需要一个小的、或离散、或不完整的训练数据集来组建一个预测模型,还克服了因为数据混乱局限了灰色系统模型的预测性能的缺点。本篇硕士学位论文将粒子群智能算法(PSO)有机地融入到滚动灰色预测模型中,使得模型可以根据数据趋势变化自动优化参数而非传统方法的固定参数,适用性、精确度以及智能性明显增强。同时,提出一种适用于灰色预测的数据预处理模型,它源于数据挖掘中数据预处理理论又不同于已有的数据预处理方法针对海量数据的特点,特别适用于这种数据量小、指数趋势增长且越是时间序列靠后的数据对预测结果作用越大的预测。论文以逐渐深入地研究算法为目的,选取第三产业经济数据为实验对象,首先,以标准灰色预测算法GM(1,1)的预测结果作为一个评判基准衡量数据质量是否高噪声、不稳定、非线性且模型适用性弱,用滚动灰色模型RGM(1,1)和粒子群灰色模型PGM(1,1)作为参照,获得粒子群滚动灰色模型PRGM(1,1),即智能滚动灰色模型,它在约束空间通过嵌套迭代进行单步最优参数搜寻,除继承了PSO良好地收敛性、易编性之外,具有很好地鲁棒性,在实际实验数据和经过预处理的实验数据两项实验中均获得较优的预测效果。一些非预期的经济事件(比如金融危机)的发生可能波及经济数据,使其在某一时间段严重波动、非线性而呈现无规律性,传统的预处理方法并不适用于这种小样本且严格时间序列的经济数据,一种指数预处理模型(Exponential Preprocessing—EP模型)应运而生。它在所有样本数据上进行迭代选取满足条件的数据点确立模型,最后获得预处理结果,当条件为首要满足最近数据预处理误差最小时,EP模型类似反馈系统。实验表明,该方法普遍提高了四种基于灰色预测的模型性能。高效智能的预测方法有助准确及时的把握社会经济未来的走势,也为宏观经济规划提供了重要的技术支持,本论文进行的有益尝试实验于经济数据但又不局限于经济预测领域,这种构思与理论的应用对现实问题具有一定的指导意义。