随着社会的发展,模糊时间序列在诸多领域都有广泛的应用,因此模型的构建尤为重要。在利用模糊时间序列模型进行预测时,论域的划分和模糊规则的建立一直以来都是众多学者研究的重点,对序列的非线性鲜有关注。众所周知,经典时间序列所分析的对象都是平稳过程,但生活中大多数时间序列过程是非平稳的,尤其是在自然灾害、工程控制、经济和金融等领域。对于非平稳的时间序列,由于数据本身非线性过强,直接对时间序列进行分析会导致预测效果较差,为了提高预测结果的准确性,传统时间序列在进行分析前,要先对序列进行必要的数据变换,将非平稳序列平稳化。所以本文在模糊时间序列分析之前,对序列进行平稳性检验,再通过主成分分析降低模糊规则之间的相关性,充分保证了预测结果的准确性。提出了基于主成分分析的模糊时间序列模型的平稳化算法,对于非平稳的时间序列,将序列进行平稳化处理,并将得到的平稳序列作为新的研究对象,再按照模糊时间序列的预测框架进行分析:首先定义和划分论域,将数据模糊化形成模糊关系;然后按照主成分分析的方法,提取主成分并得出优化后的模糊规则;最后进行预测和去模糊化。为了进一步提高预测精度,本文还在论域划分方面进行了优化。以往提出的模糊时间序列模型,一般将论域等分处理,不足以体现数据的分布特点,人为干扰较大。因此,在前文的基础上,采用模糊聚类(FCM)的方法将论域进行非等分划分。首先检验数据的平稳性,并将非平稳数据平稳化,然后用FCM方法将序列中所有数据进行聚类并得到聚类中心,根据聚类中心将区间进行非等分划分,再按照前文方法提取出主成分,进而得出模糊规则并进行预测,最后通过对Alabama大学的入学人数和TAIFEX的预测,验证算法的有效性。