目前,在供给侧改革的大背景下,钢铁行业正在面临深度的结构调整,但对于企业来说,这也是一次很好的发展机遇。准确的钢材消费量数据可以给我国钢铁产能过剩现状的调整提供数据支撑,为我国钢铁行业结构调整提供更为科学可靠的依据。本文针对粗钢总消费这一指标,主要研究目标是建立关于粗钢总消费的预测模型。由于其影响因子较为复杂且指标数量众多,故首先用灰色关联度实现输入变量的降维,求出每个指标和粗钢总消费之间的灰色关联系数,按照关联系数大小选择指标。接着建立基于BP神经网络的关于粗钢总消费与各影响因子之间关系的仿真系统模型,实验中发现该模型预测值与期望值能基本吻合,但对于个别点的预测误差还是比较大的,这说明所建立的这个粗钢总消费预测模型还需要改进。因此,我们建立了基于支持向量机的粗钢总消费预测仿真模型,该模型得到预测效果较BP模型要好。由于BP神经网络采用梯度下降法,存在对初始权值阈值敏感的特点,容易陷入局部极小点等缺陷,而遗传算法(GA)具有全局寻优能力以及初值无关性,具有较快的收敛速度,可防止陷入局部极小的优点,因此本文接着用遗传算法优化BP神经网络的初始权值阈值,建立基于GA-BP神经网络的粗钢总消费预测模型。优化后的GA-BP网络在预测精度上优于未优化的BP神经网络模型,这说明GA-BP网络更适用于粗钢总消费的预测。但是因为GA-BP方法是建立在BP神经网络的基础上的,如果BP神经网络建立的不好,也就是训练样本的选择、隐层节点的确定不合理将会使GA不能很好的优化,且BP神经网络是建立在大样本的基础上的,而粗钢总消费的样本数量是有限的,因此,为了避免人工设定参数的盲目性,也用遗传算法优化支持向量机相关参数,来提高建模效率和模型的推广能力。实验结果表明,GA-SVM预测拟合效果是最好的,平均相对误差仅为1.61308%。综上,本文所建立的GA-SVM预测模型对粗钢总消费的预测效果是令人满意的,可以在实际工作中对粗钢总消费进行预测。本研究可为政府在钢铁市场上的宏观调控提供参考依据,同时也为交易员在资本市场上的交易提供参考依据。