多元时序数据广泛存在于各行各业,如石油、医疗和气象等。人们基于不同的目标或需求部署海量传感器,以获得目标系统,如设备、人体和天气的特征,并通过数据分析获得有用的结果。时序模式按顺序组织系统的各种事件/状态,直观地揭示它们之间的时间相关性,因此具有结构简单,可解释性强的优点。为获得有趣的、具有潜在价值的时序模式,人们主要开展了三方面的研究工作。其一是量化模式重要性。人们引入了频率、权重、实用性等概念设计了具有丰富语义的序列模式。其二是模式匹配约束。流行的约束包括一般性匹配,一次性匹配和无重叠匹配,其中后两者约束条件能够使匹配次数相对于模式长度的单调递减。其三是模式挖掘算法。多数算法利用Apriori性质进行剪枝,以获得较高的执行效率。然而,频率所表达的语义比较贫乏,权重和实用性的设置繁琐且严重依赖于专家经验。如何针对工业数据,建立模式挖掘体系,以获得具有现实意义的模式,辅助专家决策,是一系列亟待解决的问题。本文从模式表达、学习和推理三个方面,探讨了多元时序上的三支序列模式挖掘问题及其在油田大数据等行业中的应用。模式表达方面,针对单元和多元时序数据,分别提出了三支模式、三支状态转移模式等概念。它们丰富了频繁时序模式表达的语义,降低了对专家经验的依赖,扩展了一般性匹配条件下的时序模式挖掘。模式学习方面,针对三支模式、三支状态转移模式等,设计了高效的时序模式发现算法。它们仅需要用户设置支持度阈值。模式推理方面,开发了高效的时序关联规则挖掘、基于三支模式的预测、三支异常检测算法。它们扩展了三支模式的适用场景。将这些模式与算法应用于石油大数据和其它行业,获得一些初步的结果,证实了它们的有效性。主要贡献有四个方面。一、单变量序列上的频繁三支模式挖掘。定义了新的三支字母表,将原始字母表划分到强、中、弱三个集合,分别包含重要的,次要的,以及不重要的元素。基于该字母表定义了新的三支模式,其中相邻元素之间的通配符区间能显著增强模式的灵活性。重要元素直接成为三支模式的分量,但不能被三支通配符区间匹配;次要元素既可以成为此模式的分量,又可以被该区间匹配;不重要元素可以被该区间匹配,但不能成为模式的分量。基于水平、垂直结构,设计了两种高效的频繁三支模式挖掘算法。通过指定置信度阈值,用户还可以获得具有时间序列信息的符号型变量关联规则。二、多元时序的频繁状态转移模式挖掘。定义了状态字母表,其中每个状态是“属性-值”对的集合。类似于单变量序列的三支模式挖掘,通配符区间能够匹配任意状态。定义了频繁闭状态集和最大状态集的概念,以有效缩减原始状态字母表的大小。设计了两阶段的挖掘算法,依次得到频繁状态和频繁状态转移模式。三、多元时序的频繁三支状态转移模式挖掘。根据两个状态频繁度阈值,将状态字母表划分为强、中、弱三个子集,分别包含重要的,次要的,以及不重要的元素。基于三分状态字母表,定义了三分状态序列模式及匹配规则。类似于单变量序列上的频繁三支模式挖掘算法,设计了针对频繁三支状态转移模式算法。四、状态转移概率分布学习以及三支异常检测。第一个算法利用所得模式构造状态转移概率图,并通过模式匹配,按图索骥获得下一时段中每种状态的概率。第二个算法根据频繁模式,导出可信的时序关联规则,用以构建新的状态转移概率图,并以此给出决策支持。第三种算法使用最近邻策略进行预测。此外,基于马尔科夫链,考虑模式频率设计了三支异常检测算法。最后,本文使用石油工程、环境监测、工业设备等领域的四个数据集上进行了实验。结果表明:各类模式都具有良好的可解释性;所提出的算法都具有良好的效率、可扩展性以及可定制性;状态预测算法能获得可靠的状态概率分布,并提供强大的决策支持;以及三支模式,三支状态转移模式,三支时序关联规则不仅具有更好的普适性和更高的灵活性。