模糊时间序列预测模型是数据分析与预测中广泛研究的课题,是为了解决经典时间序列分析方法不能处理的模糊性问题而产生的.模糊集理论的不断发展促进了对时间序列预测模型越来越深入的应用研究,信息化时代的进步使得它得到了越来越广泛的应用,如何提高模型预测精度引起了众多研究者的关注.本文在模糊集理论与时间序列分析理论的基础上,对模糊时间序列预测模型的模糊聚类、模糊化、建立多变量模糊逻辑关系组以及去模糊化等方面进行深入地研究.本文主要内容如下:1.针对模糊C均值聚类算法(FCM),为了避免陷入局部极小值,克服对初始聚类中心敏感的障碍,提出改进的FCM.重新修订了初始聚类中心和对时间序列二型模糊化,建立模糊关系矩阵,并通过对聚类中心加权预测一阶差分,最终得到预测值.最后,通过对Alabama大学招生人数预测的对比试验,及台湾加权指数(TAIEX)预测模型,使用该方法均提高了预测精度,表明其有效性和优越性.2.考虑到现实生活中很多时间序列模型会受到多个变量影响,有些甚至影响很大,文章进一步研究了多变量时间序列预测模型.由于不同时间序列的几何结构和模糊划分可能不同,本文利用基于马氏距离的模糊聚类有效性指标,并获得最佳聚类数,通过构建一阶多变量模糊逻辑关系组,将预测的模糊值去模糊化到前一时刻真实值与相关的聚类中心,并获得最终预测值.最后,以TAIEX为例,将新预测方法与其他预测方法进行了比较,所得结果证明了新预测方法不仅预测误差小,而且稳定性好.