序列型数据中的趋势特征是序列数据挖掘研究中的重要研究对象,其基本研究问题包括:趋势的表述与识别、趋势的相似性度量、趋势聚类、趋势预测等。本文针对序列数据挖掘中的趋势发现问题,研究趋势描述、识别、发现方法,具体研究成果包括:(1)提出了基于惯性现象的趋势表述以及趋势识别方法。揭示了序列中“前序节点对后续节点的发展变化有重大影响”这一惯性现象是趋势的内涵本质,从而通过“惯性”重新界定了“趋势”;在考虑“重叠趋势”的情况下,提出了对序列数据中蕴含的趋势子序列自动识别的“惯性检验”方法,利用实验说明了传统趋势基元表达力的不足。(2)针对趋势之间由于长度、规模、形态等差异,难以直接进行相似性度量的问题,提出了基于复合弯曲距离的趋势相似性计算方法。该方法基于结构计算序列数据相似性,借助演变函数的数学特性,实现对趋势进行“平移”、“序弯曲”以及“值弯曲”的操作,将趋势变换为最接近的形态,提出了序列“演进过程同构”、“演进过程逆构”概念,结合序列关键点理论,降低了相似性计算的复杂度。在此基础上,使用改进了的曲线积分距离,完成趋势相似性计算。(3)针对多维关联规则发现问题中的维选择、离散化、布尔化问题,提出了基于趋势事件的多维关联规则发现方法。通过将维中的事务当作节点形成序列视角下的事务维,结合趋势识别结果,进一步构造“趋势事件序列”;“基于复合弯曲距离的层次聚类”方法被用于合并趋势事件的数量;梳理“时滞”的类型,给出了关联规则发现应用中计算最优时滞系数的方法。