时间序列是一种随时间推移进行测量记录的数据。从时间序列中挖掘有用模式在许多领域应用广泛,例如股票分析、疾病检测和天气预报等。为了发现模式,现有的方法通常将时间序列的数值型数据转换为另一种形式以降低时间序列的维度,如标准化/符号化形式,但此做法不可避免地会使数据偏离原始数值,并且一定程度上破坏了时间序列的连续性;此外,现有的挖掘方法主要侧重于寻找特定的模式,而忽略了时间序列的数值的大小次序关系。为解决这些问题,本文基于时间序列的数值的次序关系,提出保序序列模式（Order-Preserving sequential Pattern,OPP）来表示时间序列的趋势变化,并提出了OPP挖掘方法,通过在原始时间序列里找出频繁的保序模式,获得时间序列中频繁出现的趋势变化。本文的主要研究内容如下:1、本文研究时间序列的频繁保序序列模式挖掘问题,并提出OPP-Miner算法挖掘时间序列中所有的频繁保序模式,该算法主要由两大关键问题构成:支持度的计算和候选模式的生成。2、为了有效的计算保序模式的支持度,OPP-Miner算法采用过滤和验证策略,过滤策略可以避免对冗余子序列的无效验证,验证策略可以通过数值之间的次序关系来验证候选子序列是否为模式的出现;为了生成保序候选模式,OPP-Miner算法采用模式融合策略,通过将频繁模式两两融合来生成候选模式,有效的减少了候选模式的数量。3、考虑到在处理大型数据库时,OPP-Miner算法会挖掘出大量的频繁模式,为了减少冗余模式,本文还研究了最大保序序列模式挖掘问题,并提出高效的MOPP-Miner算法来实现对频繁模式集的压缩处理。4、本文在大量的真实时间序列上进行了实验,结果验证了OPP-Miner算法在时间序列数据增大的情况下仍具有良好的运行效率和可伸缩性;并验证了MOPP-Miner算法具有良好的压缩能力且OPP-Miner算法能发现时间序列中的相似子序列;更重要的是,实验结果表明,本文所提算法能够通过识别关键趋势来帮助分析COVID-19疫情发展态势,并在提高聚类性能方面具有较高的实用性。