本研究使用球型複數模糊集合取代模糊類神經網路中的傳統模糊集合，在演算法上以粒子群最佳化演算法為基礎提出改良的多種類群粒子群演算法，結合卡爾曼濾波法成一機器學習演算法。模型輸入的選擇是基於夏農資訊熵提出一個特徵選取方法。研究中將運用特徵選取、球型複數模糊類神經網路以及混合式的機器學習演算法於時間序列預測。本研究使用的特徵選取方法是透過計算特徵資料對於目標所提供的資訊量，並以選取策略針對特徵提供的資訊量進行挑選。此外，球型複數模糊集合比傳統的模糊集合或是複數模糊集合具有更佳的解釋能力，運用於模糊類神經網路中能夠傳遞更大量的資訊，增加模型預測的效能，並能夠讓模型能夠同時預測多個目標。而在模型的建立上則是使用資料分布型態來建構，以訓練資料本身來建構模型，並在前鑑部與後鑑部中加入因果層(或箭靶層)，使模型之前/後鑑部設計彈性增加。在模型學習階段，改良式的多種類群粒子群演算法能夠比原本的粒子群演算法更快速的收斂，並且增加找到全域最佳解的機率，另外與卡爾曼濾波法結合能夠減少多種類群粒子群最佳化演算法需要學習的參數數量，增加多種類群粒子群最佳化演算法的效能，並且使用卡爾曼濾波法可以以觀測值的方式找出最佳近似解，減少模型整體的訓練時間。