随着智能定位系统诸如GPS,RFID,条形码,二维码之类的位置获取技术的日益普及,使得移动对象轨迹数据收集成为可能,轨迹数据挖掘也成为了数据挖掘领域中的一大分支。目前国内外轨迹挖掘研究大多集中在地理环境领域,对生产制造领域的研究较少。支持RFID的车间生产数据作为特殊的轨迹数据包含着大量丰富的信息,但是数据质量差,数据之间关联性复杂以及缺乏相应的手段处理导致这些数据没有得到有效的利用。周期预测是生产计划中最关键的问题之一,也是轨迹挖掘中经常涉及的问题,但生产周期时间的预测方法更多局限于统计与仿真。因此,本文的研究内容分为两个部分。其一,建立了基于生产数据的数据清洗模型,提升数据质量,解决数据质量问题。其二,从实际应用角度出发,以径向基函数网络模型为基础,结合生产数据是轨迹数据这一特点预测产品的生产周期。具体内容如下:针对生产数据质量中数据异常和冗余问题,首先对所研究的生产数据质量问题、数据清洗内容、清洗技术给出了明确定义和清洗规则。然后提出了一种面向生产数据的清洗模型。该模型以异常和冗余检测为基础,引入聚类的思想实现相似记录处于邻近位置实现快速检测。针对模型中的异常与冗余数据检测环节,提出一种数据质量检测与修正算法。使用实际数据将该算法与传统的检测算法对比,验证算法的高效性与有效性。针对产品的生产周期预测效率低的问题,首先分析了生产物流系统的主要因素,然后寻找与周期时间相关的关键因素,构造候选特征集;然后,本文站在生产数据属于轨迹数据这一角度,从原始数据中定义物流轨迹,对在制品库存、机器利用率、产品生产时间等进行定量评估,将不可使用的生产作业记录转化为制品库存、机器利用率、产品生产时间等数值型数据来填充候选特征集。其次,根据生产数据的特点对径向基函数神经网络进行了优化,即通过信息熵聚类来估计网络的参数。最后,本文采用两个实验来证明优化方法的有效性。其一,对比优化后的方法与原始方法在标准数据集上的平均绝对误差、均方根误差值。其二,使用实际数据集对比不同方法的平均绝对误差、均方根误差值。试验结果表明,优化后的方法能够更准确地预测结果。