近年来，数据挖掘相关的研究领域越来越热门，除了关联规则的挖掘外，也有学者致力于探讨时间因子的关联规则，大致可区分为消费者购买行为分析、网页浏览分析，以及时间趋势分析等。而在探讨消费者购买行为的时间序列，多借着候选序列的产生及验证，以渐进的过程来产生频繁模式，然而验证的过程必须重复扫描数据库，也因此造成系统沉重的负担而导致效率不佳。 由于时序数据模式可以看作是关联规则考虑时间因素后衍生出来的，所以论文先介绍关联规则，对关联规则的经典定义给出了详细地描述。数据挖掘系统的效率问题是数据挖掘研究的重要内容之一。经典的关联规则Apriori算法在空间和时间的复杂性上，有着难以避免的局限性，本文引入了一种基于FP—树的频繁模式增长算法，在中间过程中不需要产生候选项的算法，从而避免了反复扫描数据库时在时间上的开销。 但是，基于时序数据的FP-树算法在数据库中的项目较多，并且含有大量事务时，内存空间的开销很大，当内存不能装入所有模式映射信息时，算法将难以有效地工作。本文为了在时间和空间上寻求平衡点，提出以邻接矩阵频繁模式FPAM来记录时间序列的顾客群，利用邻接矩阵来记录数据库中项目的频繁项集，进而生成需要的频繁模式。本文使用一种基于邻接矩阵的频繁项集和频繁模式的产生方法，可以大大减少扫描数据库的次数，可以使系统的性能得到改善。这样就可解决项目数量与内存空间的矛盾，达到时间和空间的平衡。