对于模糊的概念,想准确的把握它往往是非常困难的。同理,对于不准确性,模糊性的数据,我们想找出规律预测未来走势也是十分困难的。在以模糊的样本数据为背景的预测实验中,模糊时间序列模型以其精准性,简便性,适用性,成为模糊预测领域中的领头羊,受到国内外专家学者的一致认同。但是模糊性意味着必然有预测的偏差,如何去提高预测的精准性,减少与真实值的偏差,成为了模糊时间序列领域研究中的广泛关注点。本文从论域的定义与划分,FCM聚类算法的聚类数目不确定性提出了模型的改进思路。并且以经典实验数据与在社会中采集到的数据为依据进行实验,证明了优化方案的正确性与广泛适用性。模糊时间序列预测的理论依据是论域区间,因此,本文基于论域区间的定义和论域的划分,提出了奈尔检验法寻找离群数据,并且给出了替换离群数据的方式。在基于比率论域划分中,提出了划分比率ratio的不同算法。在论域定义中,提出了定义论域的不同方法。分别从这几个方面对模型来进行改进。以经典的Alabama州大学注册人数为样本数据进行模糊时间序列模型预测实验,并且与传统的方案预测结果进行对比,佐证改进后的模型对预测结果有显著提高。在对论域定义和论域划分之前,需要对样本数据进行聚类,聚类数目决定了整个大的论域的划分,直接影响到预测的精度,传统的FCM聚类算法进行聚类时,无法确定聚类数目,因此必须根据具体的实验模型需求,人为主观的给定聚类数目参数c,过大的聚类数目会使计算复杂化,过小的聚类数目会使得论域定义过大,过大的论域会将不具有同一特征的样本数据聚类到一起,进而影响论域的划分精度。总的来说,错误的聚类导致整个大的论域定义的错误会直接的影响接下来步骤中论域上下限值的确定与论域局部的划分。基于此,本文提出了NVR算法,给出了如何通过样本数据求出聚类数目的公式,杜绝了传统FCM算法中聚类数目人为给定的主观性,并且通过武汉光谷步行街某网吧人流量实验验证这样改进能够极大降低模型的预测误差。