随着ATM的普及,关于ATM现金流的预测成了各大银行关注的热点和难点问题,为了确保银行在保持良好运营的基础上还能使得利益最大化,所以准确预测ATM中的现金流量对于银行意义重大。由于影响ATM现金流的不确定因素有很多,利用单一的预测算法往往很难满足我们的预测需求,所以本文提出利用组合预测算法来实现ATM现金流的预测。通过对目前国内外ATM现金流预测算法的研究,本文选取了BP神经网络,支持向量机(SVM),时间序列分析(ARIMA)和统计分析四种预测方法作为组合预测算法的预测单项。基于上述四种预测方法的研究发现,BP神经网络存在误差收敛速度慢,学习时间过长的主要原因在于反向传播过程中保持固定的学习率,所以对BP神经网络提出的改进是反向传播过程中对于不同的节点采取不同的学习率。时间序列分析作为统计学中常用的预测模型,在确定模型参数阶段存在人为的误差,所以对时间序列分析(ARIMA)提出误差最小模型最优的动态确定模型参数的改进方法。最后通过具体实验对四种预测方法的预测性能优势做出对比。组合预测算法的实质是结合各单项预测算法的优势,通过系统自动调整组合内各预测单项对应的权值,从而得到一个精确度高、适应性强的预测算法。基于对现有组合预测算法的研究,本文在确定各预测单项权值时提出了指数变权值组合预测法,并通过具体的实验验证了预测相同时间段的现金流数据时组合预测算法的预测精度要优于各单项预测算法。本文的最终目的是结合SpringMVC框架开发出一个以组合预测算法为核心算法的ATM现金流预测系统。通过对预测系统的需求分析以及功能页面的展示,最后总结全文,提出本文研究过程中存在的不足之处以及后续研究的方向,展望未来。