随着近年来机器学习和人工智能算法的快速发展,一些新的预测技术被运用到经济管理的实际研究中。支持向量机(SVM)是在统计学习理论基础上发展起来的一种新的模式识别方法,是机器学习界的热点之一。它在解决小样本、非线性以及高维度模式识别与回归估计问题中表现出许多特有的优势。本文在前人研究的基础上,针对SVM方法所具有的拟合精度高、推广能力强、全局最优、针对小样本等特点,将支持向量机应用于对区域经济发展水平的预测中,建立了基于支持向量机的区域经济非线性预测模型。在建立模型的过程中,首先,通过定量分析与定性分析构建了区域经济预测的评价指标体系,其中考虑了政策变动因素对区域经济发展的影响;其次,时间序列预测是建立在对历史信息已知的基础上,本文按照将当期的经济发展水平构造为过去3年各类指标的作用结果的原则组成数据样本集,并根据相关关系分析方法进行指标的筛选;再次,在模型参数的选择优化过程中,利用网格搜索算法,研究支持向量机模型中的参数选择对模型预测效果的影响以及它们之间的相关关系,并选取其中一组预测精确度最好的参数组合构造最终的预测模型;最后,通过将BP神经网络的预测结果与支持向量机方法进行对比,验证了支持向量机方法的有效性和优越性。本文还就支持向量回归的不同类型、数据样本的标准化以及核函数选择等对结果的影响进行了比较。通过对重庆市区域经济预测的实际应用研究,结果表明,SVM方法对非平稳的小样本区域经济数据有良好的建模和泛化能力,且可达到较高的预测精度,模型具有很高的拟合度。因此,本文成果具有较好的实用性和较高的准确性,具有一定的推广应用价值。