随着现代社会科学技术的飞速发展、人类生活水平的不断提高,预测在人类生活中发挥的作用也越来越大。传统的时间序列预测模型对数据的要求十分严格,不但不能处理用语言值表示的数据,而且对小规模数据集的预测效果也很不理想,因此,传统的时间序列模型将不能满足人们生活的需要。为了解决这个问题,模糊时间序列模型应运而生,对模糊时间序列模型的研究具有重要意义。本文以提高模糊时间序列模型的预测精度为目标,将从两个方面对模型进行改进:其一,引入狼群算法(WPA)并对其进行了改进,用于优化论域区间的划分。其二,引入有序加权平均(OWA)算子,提出更合理的模糊预测方法。在应用上,将改进后的模型应用于两个典型的数据集上,取得了不错的效果。具体如下:第一,在WPA的改进方面,为了提高WPA算法的优化精度、加快WPA算法的收敛速度,在其游走行为中引入细菌觅食算法(BFO)的趋向行为,使得人工狼能够更快寻得最优目标值;为了加强WPA算法跳出局部极值的能力,在其游走行为中引入BFO算法的迁徙行为,综上提出了一种改进狼群算法(Hybrid Wolf Pack Algorithm,HWPA),通过实验仿真证实了HWPA算法的收敛速度更快、收敛精度更高。第二,在论域区间划分方面,利用改进的狼群算法搜索出全局最优位置,即最佳区间划分点。通过与多个现有的模型进行对比,该算法的引入能有效提高模型的预测精度。第三,在模糊预测方法方面,本文提出了一种基于OWA算子的模糊预测方法,该方法不仅考虑到了每个模糊集的重要性同时也考虑了不同位置的重要性。通过与其它预测方法进行对比分析,该方法对数据的集结更加合理,预测精度更高。综上所述,本文提出了一种新的基于HWPA算法和OWA算子的模糊时间序列预测模型,运用该模型对Alabama大学的入学人数和TAIFEX序列两个典型数据集进行了预测,实验结果表明新模型的预测精度更高,验证了新模型的有效性。