对于模糊、不准确等不完整数据,模糊时间序列展示出了其相对于经典时间序列所具有的独特优势。伴随着大量学者的注入研究,模糊时间序列已应用到旅游、股票、温度等领域进行预测,且具有较高的预测精度。针对模糊时间序列,学者更倾注于论域划分、构建模糊规则及去模糊化这几个层面。随着近几年机器学习算法的蓬勃发展,部分学者把机器学习算法融入到模糊时间序列中并得到较好的模型。文章首先在模糊规则建立方面对已有规则进行改进。现有较好的模糊规则是将模糊逻辑关系发生的频数与先后顺序考虑进去,内部权值的分配及这两者之间权重的倾向性是需要格外注意的地方。本文提出的规则改进,主要针对模糊逻辑关系出现先后顺序的权重分配,以及如何合理部署频数与次序之间的权重可使模型达到更好的预测效果。其次,文章将小波分析运用到模糊时间序列中去。利用离散小波变换的分解与重构思想,根据选取的小波函数将原始数据多尺度分解为低频与高频部分,并对之后的数据根据其特性分别建立模型进行预测。为了提高模型的有效性,对分解后的数据运用模糊C-均值算法进行区域划分,且利用上述改进的规则进行模糊规则的建立与去模糊化。最后,选取Alabama大学注册人数与国家财政收入的数据进行仿真实验,通过与以往的模糊时间序列模型相比对来验证新模型的有效性。根据实验结果易知,此改进的混合模型较传统模型具有较大的优势。新模型也可以进一步的改进,与其它复杂的机器学习算法相结合,相信会有更精确的预测效果。