当前信息技术的迅猛发展为人们提供了丰富和多样化的数据表达形式。其中,成分数据是一类反映综合系统中不同单元占比情形的相对数据,能够揭示事物中的相对信息,对系统内部结构的关联性、差异性做分析。但成分数据的“定和”性质给传统模型的预测带来一定的困扰,特别面对具有小样本、贫信息特征的数据,预测困难进一步加剧。面对模糊性、不确定性问题,模糊集合论被提出,相比于传统的时间序列模型,模糊时间序列对于数据量及数据分布问题更具包容性。基于此,本文将模糊时间序列预测方法与成分数据理念结合,令其应用于更多的实际问题预测之中。首先,考虑到成分数据的特殊性,利用中心对数比变换对原始序列进行转换以便后续分析。其次,由于结构数据的整体性、调整性、转换性特征,利用模糊逻辑关系探究不同分量间的调整规则,构建出基于系统内部信息优化的多规则模糊转移矩阵,进行去模糊化处理。随后,利用熵值赋权法对不同规则下的预测序列进行赋权,形成组合预测结果并进行逆变换。最后,利用成分数据环境下的误差衡量指标对模型性能进行检验。在实证分析部分,首先,从产业结构合理化与产业结构高级化两个方面对我国产业结构特征进行分析,从省际视角来看,还存在发展不平衡不充分问题,部分省份合理化与高级化发展并不同步。其次,利用构建的模型对我国产业贡献率进行预测,以探究其未来发展趋势,经与ARIMA,BPNN,GM（1,1）,FCM-FTS模型进行对比,实例验证了模型的预测有效性,实现了对我国的产业结构的分析与预测。