时间序列预测是指通过对海量的时间序列观测值进行各种数学分析,建立不同的时间序列预测模型,并通过各种不同的处理手段,寻找出时间序列的变化特征、发展趋势与规律,从而对未来某时刻研究对象的状态做出估计。传统的时间序列预测主要是从经典集合论的角度进行分析,主要针对完整的历史数据进行相关的预测。但是现实生活中,存在着大量的历史数据不完整或不确定的预测问题。为了解决这些问题,Song和Chissom提出了模糊时间序列预测的概念,其主要在传统的时间序列预测的基础上引入模糊理论,通过建立相应的模糊逻辑关系,进行相应的预测。经过多年的研究和论证,模糊时间序列预测已成为解决“丰富”数据和“贫乏知识”之间矛盾的主要方法之一。本文提出了自适应模糊时间序列预测的算法。本算法主要是从论域的划分、数据模糊化,模糊关系的建立3个方面进行模型的改进。在论域的划分方面,主要采用基于比率区间长度划分的方法进行区间的选择；在数据模糊化方面主要采用统计历史数据出现频数的方法,进行论域二次划分并进行历史数据的模糊化；模糊关系的建立主要采用的是分组分析,并建立相应的超定方程,利用最小二乘法求近似解。最后,基于以上步骤建立最后的预测模型。通过对1995年至1999年的5年台湾股票股指进行相关预测,并进行对比分析得出本算法的准确率较高,同时在处理海量数据时仍可以保持较高的准确度。总之,本文所建立的模型能够很好地处理因序列自身存在的不确定性带来的困扰,且模型算法简单,预测效果好,应用范围广。