针对具有不确定性或模糊性的时间序列，模糊预测具有较好的适应性。2009年Kuo等人将粒子群优化算法（PSO）应用于模糊时间序列预测的论域划分，相对于前人的其它划分方法，在准确度方面取得了一定的提高。然而Kuo等人使用的PSO算法未能有效地控制算法的搜索速度及范围，对模糊集采用前人主观定义的方式，导致它们的算法还可进一步优化。首先，论文对PSO算法进行了深入研究，对速度迭代公式中两个重要参数分别进行了优化：针对惯性权重，给出正态递减的计算策略；针对学习因子，给出线性递减的计算策略。这样的改进可有效控制搜索范围的变化速度，有利于初始阶段在大范围搜索、最后阶段精细化搜索。其次，论文给出了一种基于改进粒子群优化算法的模糊时间序列预测方法（MPSO-FTSP），以Kuo等人的算法为基础，在以下三个方面进行了改进：（1）MPSO-FTSP将改进后的PSO算法应用于模糊时间序列预测论域划分，在速度及范围方面进行了优化。（2）MPSO-FTSP用当前流行的基于距离的模糊集定义方法取代人为主观定义的方法，更客观地反映了样本数据的结构特点。（3）MPSO-FTSP沿用Kuo等人使用的Master Voting（MV）预测计算公式的思路，从矩阵变换角度进行了修改，预测结果的均方误差得以减小。最后，论文对参数优化后PSO算法进行了仿真实验，算法的全局最优值得到改进；除此之外，论文将MPSO-FTSP算法应用于Alabama大学招生人数的预测，模糊预测的准确度得到一定程度的提高。