针对在最小二乘支持向量机（LSSVM）的核函数参数和正则化参数优化中回溯搜索优化算法（BSA）易早熟、局部开采能力弱等问题，提出了一种集成预测模型CABSA-LSSVM。首先采用柯西种群生成策略增加历史种群的多样性使算法不易陷入局部最优解，然后利用自适应变异因子策略调节变异尺度系数以平衡算法的全局勘探和局部开采能力，最后运用改进后的柯西自适应回溯搜索算法（CABSA）优化LSSVM以形成新的集成预测模型。选取10个UCI数据集进行数值实验，结果表明所提模型CABSA-LSSVM在种群规模为80时回归预测性能最优，且与标准BSA、粒子群优化（PSO）算法、人工蜂群（ABC）算法、灰狼优化（GWO）算法优化的LSSVM相比，该模型的决定系数提升了1.21%~15.28%，预测误差降低了6.36%~29.00%，运行时间降低了5.88%~94.16%，可见该模型具有较高的预测精度和较快的计算速度。
