Con el fin de mejorar la precisión y el tiempo real de todo tipo de información en el negocio de efectivo, y resolver el problema de la baja precisión y estabilidad de la vinculación de datos entre la previsión de inventario de efectivo y la información de gestión de efectivo en el banco comercial, se propone un algoritmo de aprendizaje híbrido basado en el algoritmo de optimización por enjambre de partículas de actividad poblacional adaptativa (APAPSO) combinado con el método de mínimos cuadrados (LMS) para optimizar los parámetros del sistema de inferencia difusa basado en red adaptativa (ANFIS). A través de la introducción de una función métrica de diversidad poblacional para garantizar la diversidad de la población y cambios adaptativos en el peso de inercia y los factores de aprendizaje, se mejora la capacidad de optimización del algoritmo de optimización por enjambre de partículas (PSO), lo que evita el problema de convergencia prematura del algoritmo PSO. Se llevan a cabo experimentos de comparación de simulación con el algoritmo BP-LMS y el PSO-LMS estándar adoptando datos de flujo de efectivo de bancos comerciales reales para verificar la efectividad de la predicción de series temporales del flujo de efectivo bancario basada en el método de optimización PSO-ANFIS mejorado. Los resultados de la simulación muestran que la velocidad de optimización es más rápida y la precisión de la predicción es mayor.