古人云“凡是预则立,不预则废”,为了促进经济、社会的高效稳健的发展,研究分析现有的社会经济状态,以事物发展的历史和现状为出发点,以调查研究资料和统计数据资料为依据,在对事物发展进行深入的定性分析和严密的定量计算的基础上,研究并认识事物的发展变化规律,进而对事物的未来变化预先作出科学的推测是相当必要的。将多种预测方法结合起来,较之单一的预测方法来说可更大限度的综合利用各种方法所提供的信息,尽可能地提高预测的精度。本文主要介绍了灰色神经网络和支持向量机两种预测模型的理论基础和建模过程。通过比较、分析灰色系统与神经网络的区别与联系、支持向量机与神经网络的区别与联系,得出灰色系统、神经网络、支持向量机三者具备结合的可能性且结合后的组合预测模型的效率比单一模型要高的结论。本文提出两种新型预测模型并将新型模型应用到实际系统中以检验模型的预测精度及其泛化能力。第一个模型是基于结构风险的灰色补偿神经网络模型(GRBFNN),其核心思想是将结构风险最小化原则应用到RBF神经网络的建模过程中,利用支持向量直接获得RBF函数中心和隐藏层节点数。然后用基于结构风险的RBF神经网络去补偿灰色GM(1,1)模型,从而达到得提高神经网络预测精度和泛化能力的目的。第二个模型是基于灰色关联的灰色支持向量机模型,其核心思想是利用灰色系统理论中的主要方法之一灰色关联度(GRA)从模型的众多因子中筛选出主因子,然后将主因子作为输入因子利用灰色系统理论中的一阶生成数列(1-AGO)建立灰色支持向量机预测模型(GSVM)。分别用某风程响应系统和某大桥桥桩极限承载力预测系统为应用背景对模型进行仿真分析。仿真结果表明,本文提出的两种新模型确实提高了预测精度。