随着科学技术的发展和社会的不断进步，社会信息量不断增加，导致商业社会等领域的情况瞬息万变。因此，人们对于预测的需求不断的提升以期能够尽早的做出决策。时间序列预测就是为此而诞生的，然而传统的时间序列预测模型无法处理语义值和小规模数据集。为解决这种情况，学界提出了模糊时间序列预测模型的概念，由于该模型在处理语义值和小规模数据集上的优秀表现，越来越多的学者开始着手从事这方面的研究。然而，目前已有的模糊时间序列预测模型在预测精度和适用范围上仍有待提高，其主要原因是对于数据形式以及通用性考虑不足，且未能充分挖掘数据中的统计信息。例如多属性时间序列，外部时间序列的考虑不足，忽略时间序列中趋势因素以及采用较为主观的形式划分论域等。除此之外，目前正变得越来越流行的不确定数据也是现有模型所无法处理。为解决上述问题，文章提出了两种新的模糊时间序列模型。一种是在现有的针对确定数据集预测模型上进行改进，扩展其适用范围，使之能够处理多属性和外部时间序列，并通过使用模糊聚类法以及提取趋势因素动态调整用于预测的模糊关系进而提高其模型的预测精度;第二种,是将不确定性的概念引入到时间序列中，进而得到由不确定数据组成的模糊时间序列,并在该模型的基础上设计出相应的训练和预测算法。由于在该领域的研究工作较少，也没有一个合适的指标衡量该类模型的性能，为方便后续的工作并为有兴趣的研究者提供性能对比，本次研究同时提出了3种可供选择的指标来衡量模型的性能。仿真实验选取了多个时间序列作为实验数据集。实验结果表明，第一种算法在采用了模糊聚类法和充分考虑趋势因素后，适用范围和预测精度均有大幅度的提升；而第二类模型在实验数据集上的表现也充分说明了该模型对于由不确定数据组成的模糊时间序列的处理能力。总之，本文提出的两种模型对于扩展模糊时间序列模型的适用范围和提高该类模型的预测精度取得了优异的效果。