模糊时间序列因能够处理时序数据中含糊不清的数据而越来越受到研究者的关注,并应用于入学人数、气温和股票指数的模糊预测。近十年,已经有各种模糊时序预测模型诞生,大多是对Song于1994年提出模型的改进,如高阶模型和启发式模型等。其目的或是提高预测准确度,或是降低计算复杂度。但对于已有启发式模型的改进和解决预测不确定性以及模糊时序数据长期预测等方面的研究还较少。因此,本文就如下问题展开研究：第一,如何针对现有的启发式模型,扩充启发式规则以使预测性能得到进一步提升；第二,如何处理模糊时序数据中普遍存在的不确定性状态转移,为预测性能提升提供有益的借鉴；第三,针对现有的模糊时间序列模型大多只能进行短期预测的不足,研究模糊时序数据长期预测模型。本文的主要工作包括：(1)在分析了现有的一阶模型、高阶模型及启发式时序模型研究的基础上,构建了改进的启发式非时变预测模型。旨在预测的训练阶段,引入趋势预测器以选择预测准确度高的考察阶次,通过补充相应的启发式规则,便于在测试阶段能获得更准确的时序发展趋势,从而提高预测性能。(2)针对模糊时序数据中存在不确定性状态转移及模糊规则库的构建问题,提出了基于确定性转换的模糊时序模型。在分析了现有模型的基础上,通过加入回溯机制来构建确定性转换规则库,使预测结果的准确性得到提升。(3)针对现有的模糊时序模型多局限于短期时间范围的预测问题,提出了可以进行长期范围预测的模型。通过引入滑动窗口机制和矢量量化技术解决规则库中没有模糊规则可以匹配的情况,这也正是实现长期时间范围模糊时序预测的关键。仿真实验证明了文中方法的可行性和有效性。