时间序列指的是在不同时间点上收集到的反映某一事物、现象等随时间变化的数据的集合。通过对这一系列数据的研究,我们能找到隐含在数据背后的规律,从而对现实进行建模分析并解决相关领域中的问题。时间序列预测是通过已观测到的数据来预测未来,使决策者具有高瞻远瞩的能力,从而做出更好的决策,因此具有很重要的意义。模糊时间序列是通过将时间序列的数据模糊化而得到的,它借助了模糊的概念使单个的数据点聚集成一个个具有语义表示的类,然后通过对这些类进行建模分析来做预测。模糊时间序列预测的一般过程是：(1)划分论域；(2)形成模糊集,对数据模糊化；(3)提取模糊逻辑关系；(4)预测,去模糊化。本文通过对论域划分的方法进行研究,应用了基于模糊C均值聚类和基于信息粒的这两种论域划分的方法,然后再分别和BP神经网络这一预测方法进行结合,给出了两种组合的预测模型。本文中的第一种预测模型首先用模糊C均值聚类算法对传统均分的论域划分进行改进,该算法通过使所有数据点对于模糊集的隶属度之和最大得到聚类中心,然后求得相邻聚类中心的中点值作为子区间的边界得到非等长的论域划分结果,再在这些子区间上建立模糊集,从而将数值表示的数据模糊化,得到模糊时间序列。通过提取二阶的模糊逻辑关系得到训练数据,用这些训练数据来训练BP神经网络,从而使网络具有了分类的能力,然后用训练之后的网络来预测下一时刻数据所属的模糊集,通过去模糊化得到预测值。最后,以台湾加权股指数据(TAIEX)为例,与已有模型进行均方根误差比较来检验所提模型的有效性。本文中的第二种预测模型用信息粒的思想来进一步改进论域划分方法。信息粒可以在不同的维度上展现数据,使数据中隐藏的规律更好的被发现,在这个观点的启发下,我们应用基于信息粒的论域划分方法,该方法先对整个时间序列用模糊C均值聚类得到聚类中心,然后根据相邻聚类中心的中点值建立起子区间,再在这些子区间上构造适当粒度大小的信息粒,最后通过这些信息粒计算得到论域划分之后的区间。划分论域之后,我们采用和第一种预测模型相同的建模过程,在相同的数据集上做实验得到的预测准确度再一次得到提高,证明了该组合模型的有效性。