近年来,国内外许多学者致力于数据预测的相关研究,在证券、期货等领域均有所收获。在模糊时间序列中,论域的划分和确定论域的区间对于数据预测来说显得至关重要。等长的论域划分在许多研究报告中被多次提及和使用。等长的区间划分应用在线性非常好,规律性强的数据中,使得预测非常的准确,精度也很好。但应用某些波动大且非线性无规律的数据上,如证券、期货等领域,预测的精度会大打折扣。在此背景下,本文所提出的不等长论域划分的方法由此引出。本文的重点是通过所提出的不等长区间划分的方法,来提高预测的精度,其中不等长区间划分的方法是通过信息粒度理论的算法来实现的。实验首先通过FCM计算出聚类中心,之后通过信息粒度算法再次确定区间的上下限,最后根据确定的7个区间再应用模糊时间序列的相关理论研究进行预测。这篇论文中,我们研究出如何通过把论域进行不等分的划分来提高预测精度。首先,通过使用FCM计算聚类中心；然后根据这些中心形成几个子区间。这些子区间不仅需要根据数据划分地很合理,而且还需要满足语义上的合理性。为了证明提出的方法的正确性和有效性,本文通过汽车公司的销售数据进行实验仿真并验证。最后通过MSE评价预测的精度是否高于传统的等长区间的划分方法。不仅如此,在应用模糊时间序列进行数据预测时,所提出的方法要确保是稳定的和有效的。未来,应将此方法更好地应用到其它领域,也可以增加一些变量,使预测的数据更加多元化。