王晓晔，肖迎元，张德干

(1.天津理工大学智能计算及软件新技术重点实验室，天津300191;2.天津理工大学计算机视觉与系统省部共建教育部重点实验室，天津300191)

时间序列部分周期模式的挖掘是一类重要的数据挖掘任务，在许多场合都有重要的应用，如电力负荷时序数据的高峰期往往具有部分周期性，发现这种周期就可以避开高峰用电，减轻电厂的负担.

对于时间序列数据挖掘的研究主要集中在相似性问题和时态模式挖掘的研究［1-2］.其中相似性问题研究主要是面向查询的需要［3-4］，包括各种相似性搜索算法［1］的研究.时态模式挖掘则主要包括各种序列的模式挖掘，进行时态因果、周期模式、关联规则和重要事件的预测［5］等内容.

在时态模式的挖掘方面，从时间序列中抽取模式是一个比较新颖的方向.从研究内容来分，目前研究重点主要集中在2个方面:对时序中的事件出现加以模式发现和预测，如时态因果和关联规则;挖掘时序数据的周期模式，包括全周期模式和部分周期模式.部分周期模式的研究大多采用了Apriori-like启发式挖掘算法的思想和理论.

由于Apriori-like不能发现不同周期之间的模式和计算复杂度过大等，文献［6］提出了一种对单周期和多周期都适用的部分周期模式挖掘算法:最大子模式迎合树算法(the max-subpattern hit set tree，Mht).但是该算法只能对现有时间序列数据库进行挖掘，不能进行在线部分周期模式的挖掘.文献［7］在此基础上提出了一种增量式的在线……