时间序列预测是预测领域的重要组成部分,随着社会的发展和数字信息量的增多,对于时间序列模型进行分析和研究变得越来越重要。与经典时间序列模型相比,模糊时间序列模型能够处理历史数剧中存在的不完整和不确定的信息,因此,受到了越来越多学者的青睐。为了利用更多与预测变量相关的有效信息来进行预测,Hurang和Yu基于二型模糊集的概念提出了一种二型模糊时间序列模型。本文在Hurang口Yu提出的二型模糊时间序列模型的基础上,对其论域划分、模糊关系运算以及模糊推理预测阶段分别进行了改进,最终提出了一种综合的二型模糊时间模型。在论域划分阶段,采用粒子群优化算法进行区间优化,将论域划分为不均等的子区间,克服了等论域划分方法的主观性,提高了数据模糊化的准确度。在模糊关系运算阶段,考虑到每个模糊语言值的重要性的不同,本文利用数据的分布信息和模糊变量的序列号信息对模糊变量分配权值,提出了一种新的权值计算方法,使预测时刻的交并运算结果更加精确。在模糊推理预测阶段,本文将支持向量机(SVM)模型与二型模糊时间序列预测模型相结合,利用各时刻交并运算结果与实际值之间一一对应的关系,实现对预测时刻模糊集的分类预测。并提出了一种新的自适应算法来调整解模糊的结果,从而进一步提高模型的预测精度。同时,针对以上各阶段的改进算法,均用数据仿真实验证明了其可行性和有效性。最终,本文结合以上各阶段的改进算法,提出了一种综合的二型模糊时间序列模型。然后,通过构建该模型的高阶模糊逻辑关系,得到了其高阶推广模型。多组数据仿真实验结果表明,本文提出的综合模型及其高阶推广模型能够有效的提高预测精度。