农业是国民经济的基础,粮食产量是粮食安全保障的一个重要组成部分,因此粮食产量预测也成为了一个重要的研究课题,采用合理的方法和模型预测粮食产量变化趋势十分重要。针对我国粮食产量数据的特点,从两方面对粮食产量预测进行研究。一方面从影响因子入手,建立描述粮食产量与影响因子间的映射关系,提出了两种组合预测模型,模型一首先通过灰关联筛选出影响因子,其次,根据影响因子与粮食产量数据之间的非线性特点,建立BP神经网络模型,并采用粒子群算法对其权值进行优化,最后得到预测值。模型二首先计算影响因子与粮食产量间的相关系数,其次,利用主成分分析构建影响因子主要成分,最后建立主要成分与粮食产量数据的极限学习机模型,从而得到预测值。另一方面从单一的粮食产量时间序列上入手,建立时间序列模型。针对粮食产量的数据具有复杂性、随机性和非平稳性的特点,提出了在小波变换的基础上,结合GM(1,1)模型与ARIMA模型的优点,建立了GM(1,1)-ARIMA组合预测模型。针对小波分解后各分量序列的不同特征,采用灰色GM(1,1)模型对近似分量进行趋势预测,然后采用ARIMA预测模型对细节分量进行预测;最后通过小波重构得到产量的预测值。通过对比分析粮食产量实际数值与模型所得的预测值,计算得到各个预测模型的预测精确度,结果表明,基于粒子群优化的BP网络预测模型的平均误差为1.7%,基于主成分分析与极限学习机预测模型的平均误差为1.3%,基于小波变化的GM(1,1)-ARIMA预测模型平均误差为0.8%。相比于其他预测模型,组合方法可有效提高预测精度,本文所提出的组合模型对可有效对的粮食产量进行预测,为粮食产量的预测提供了新方法。