由于测量供应商风险的数据通常是由非线性特征构成的时间序列,传统BP神经网络方法会在预测分析时产生较大偏差。文章提出一种动态协同神经网络(DSNN)算法,该算法通过原型模式向量与试验模式向量间的相似性,动态地选取合适的注意参数,在演化过程中对误识别的模式进行自适应纠正,以相邻四个月的风险评价值作为网络的输入,并建立基于DSNN的供应商风险预测模型,对未来三个月的风险评价值进行预测,与BP算法进行对比,实验表明DSNN算法预测精度显著提高,从而证实了DSNN的有效性。