时间序列是变量按时间间隔的顺序而形成的随机变量序列.在自然科学、社会经济等领域，很多指标都依年、季、月或日统计其数据，随着时间的推移，形成了这些指标的时间序列，因此，时间序列是某一统计指标长期变动的数量表现.比如一个国家连续若干年的国民生产总值、居民人均消费水平、工业生产总值、商品各期销售量等.这些数据由于受到各种偶然因素的影响，往往表现出某种随机性.时间序列的主要任务就是研究和认识该序列的结构特征(如数据波动的周期、振幅、趋势和种类等)，揭示其规律，进而预测和控制.传统的时间序列模型重点描述了随机性，而模糊性是不同于随机性的另一种不确定性，将模糊性引入到时间序列分析模型是一个重要课题.Song和Chissom首先将模糊集理论用于时间序列模型，并给出了模糊时间序列的定义.此后，模糊时间序列理论被人们广泛应用于股票走势，油田产量，上证指数等领域.经典模糊时间序列模型计算量大且较为复杂，本论文在经典模糊时间序列的基础上，主要研究如何简化模型，降低模型计算量，且保持模型良好的预测效果.本文具体内容包括：　　 首先，介绍研究了由Chen提出的基于函数原理的模糊数运算法则，相对于Zadeh的扩张原理，该原理可简化模糊数的运算，且可以保持运算后的模糊数隶属函数图形形状不变。　　 其次，基于函数原理，构建了两个模糊时间序列模型：模糊自回归移动平均模型(FARMA)和模糊自回归移动平均求和模型(FARIMA).本文先从最简单的FAR模型入手，研究了模糊时间序列模型的定阶、参数估计问题.然后在经典时间序列模型的基础上，研究了该建模型的定阶问题.再根据模型阶数将模糊回归理论与模糊时间序列理论结合，基于函数原理，将模糊时间序列模型参数估计问题转化为一个数学规划模型.该方法计算量较小，便于操作，且预测效果良好。