时间序列的预测研究是数据分析领域的重要内容,通过整合事物随时间变化的数据信息,并对时间序列进行建模分析,可以探索事物的发展趋势与发展规律,并对数据变化进行预测。多元模糊时间序列模型通过对数据模糊化后的语义值序列进行建模,在预测时具有其独特的优势。本文将粒计算的思想与多元模糊时间序列模型相结合,对模型的论域划分及模糊推理过程进行改进,并通过构造组合模型的方式进一步优化模型的预测效果。首先,本文利用待预测数据及其相关因素对多元模糊时间序列进行建模,并对模型的构建过程进行改进。本文提出了一种基于模糊集的信息粒构造方法,在论域划分阶段,使用聚类算法将论域划分为若干个子区间,并用信息粒化的方式对区间长度进行调整。在模糊规则推理阶段,利用支持向量机模型的分类能力以实现模糊集的预测。其次,为了减小单项模型在建模时的系统偏差,本文通过改进自适应变权重的时间序列组合模型进行预测,根据各模型在历史时刻的预测误差,对模型权重进行自适应调整。本文提出使用改进后的多元模糊时间序列模型与函数系数自回归模型相结合构造组合模型。函数系数自回归模型经信息粒化的方式确定模型初始值,并使用改进的遗传算法对模型参数进行优化。最后,将提出的模型应用到台湾股指数据、台北市气温数据、肾脏病患者血液透析数据的建模分析,将本文所提方法构造的模型得到的预测效果与现有方法进行对比,以验证本文模型的有效性。经过仿真实验可以看出,本文所使用的模型能够有效的提高预测精度。