一般周期间隙约束的序列模式挖掘是挖掘形如p1[M,N]p2[M,N]p3...pm-1[M,N]pm的频繁模式(M和N分别表示最小和最大间隙且M<0)。在挖掘一般周期间隙约束的序列模式时,合理的估算最长频繁模式的长度非常重要。估算的长度太长会消耗过多的内存,而长度太短会导致内存的溢出。本文旨在采用回归方法估算一般周期间隙约束下的最长频繁模式的长度。从三个方面进行研究和实现。一是特征提取,利用G-FSA算法(G-FSA是针对一般周期间隙的特征提取算法)计算所有长度为2的模式在DNA序列中的出现次数,从而得到实验所用数据集的前16维。二是获取回归目标,在DNA序列上利用MAPD-PRO算法(MAPD-PRO是一般周期间隙约束的序列模式挖掘算法)获得最长频繁模式的长度。改变间隙和阈值,得到不同间隙和阈值下的最长频繁模式的长度,从而获得数据集的第18维。第17维是序列模式挖掘的频繁模式阈值,通过这两个阶段可以得到实验所用数据集。三是利用回归方法构建学习机,本文采用了BP神经网络、最小二乘支持向量机(LS-SVM)和极限学习机(ELM)这三种回归算法。把前两个阶段获得实验数据集分为训练数据和测试数据,用三种回归方法训练数据,并用测试数据测试训练的效果。最后,本文设计了两组实验预测最长频繁模式的长度,一是阈值与间隙变化时,二是阈值与序列变化时。实验结果验证了使用回归方法预测最长频繁模式长度的有效性。