本文研究了面向客户智能的时序数据挖掘技术,建立了具有时序数据挖掘功能的客户智能解决方案,以提高客户智能系统的时间序列数据分析能力.本文首先研究了基于时序数据挖掘的客户分类方法.提出了客户时序数据加权处理方法和基于混合遗传算法的多目标动态聚类方法,可以更准确地衡量出客户时间序列数据的相似性.在此基础上将按时序数据聚类得到的客户分类结果与客户的静态属性数据相结合,对客户进行二次分类.在分类过程中包含了更丰富的信息,提高了客户分类的准确性.其次,研究了客户时序关联规则发现方法.建立了一种用于客户时序关联规则发现的前缀累加树时间关联模型.通过将客户时间序列数据中的频繁项映射到前缀累加树中,达到降低频繁时序模式的搜索空间,提高挖掘效率的目的.该方法不仅可以降低关联规则挖掘过程中数据库的扫描次数,而且能够针对特定的时序关联规则进行挖掘,快速地发现客户数据中是否蕴含特定的时序关联规则.同时该方法还能够以较精确的方式发现具有一定模糊性的客户时序关联规则.最后,研究了基于时间序列的客户流失行为预测问题.针对客户时间序列数据,提出了时间序列的显著特征的提取算法,将客户的时间特征引入预测模型的构建过程,应用最大熵原理预测客户的流失行为.提出了一种队列特征选择策略,在特征提取的有效性相似的前提下,能够地提高特征的提取效率.这种预测方法可以将各种影响客户流失行为的因素考虑到同一个模型中,较准确地预测出客户流失行为发生的概率及发生的时间,为企业的客户保持提供科学的决策依据.