【摘要】由于受到季节性或统计制度等因素的影响，季节性周期波动特征普遍存在于社会经济领域的时间序列数据。针对传统DGGM(1,1)(Data grouping-based grey modelling)模型在实际运用中性能不稳定的问题，提出了一种新的PSO-ESM-DGGM(1,1)模型。首先，引入平滑系数α,使用指数平滑法(Exponential smoothing method, ESM),对具有不同季节性波动特征的时间序列进行处理，构建ESM-DGGM(1,1)模型。在此基础上，为解决平滑系数α和背景值权重e的设定问题，以平均绝对百分比误差最小为目标，使用粒子群优化算法(Particle Swarm Optimization, PSO)对二者进行调优。同时，在参数寻优过程中引入提前停止法，以降低参数寻优过程中的时间成本、避免模型过拟合问题。最后，以我国冰箱出口量和克强指数两个数据集为例，对DGGM(1,1)模型及其改进形式进行了对比分析，发现PSO-ESM-DGGM(1,1)模型较次优模型在测试集的平均绝对百分比误差分别减少了27%和5%,验证了其在保证模型可接受拟合误差的前提下，能够提升预测精度。