随着信息技术的不断提高以及移动设备和网络的广泛使用,人们获得了大量的地理科学数据。近年来,一些较为成熟数据挖掘技术,如分类预测、聚类分析、关联规则等被逐渐用于时间序列和空间结构数据的挖掘分析。但是,相比于传统的数据挖掘技术,时空数据挖掘研究还远未成熟,如何寻找合适的数据挖掘算法、如何对这些模式进行分析,这些问题都需要更为有效且实用的数据管理与分析技术。本文在传统的数据挖掘方法上,对时空数据进行建模,使用聚类技术进行时空特征分析;同时,基于特征分析的结果研究对事件的预测方法,主要研究内容如下:(1)研究时空数据的组织建模方法。对传统时空立方体模型进行扩展,使用空间、时间和属性三个维度对时空数据进行表达和组织,使得该数据模型可适用于多层次的时空尺度和不同的聚合规则;(2)研究时空热点聚类分析的方法。在不同时空环境下,事件发生规律具有很大的差异性,因此不区分对待则会弱化不同区域数据所展现的规律性。本文基于高速路交通数据,根据数据的时空分布特点选取基于密度的DBASCAN算法进行时空聚类分析,实现对空间热点区域和时间热点段的合理划分,从而解决时间和空间异质性问题;(3)研究基于贝叶斯网络的热点事件预测模型。在贝叶斯网络的构建过程中,加入互信息计算并对传统爬山法进行简化,使得在保证结构一定正确性的情况下提升其运行效率。并且,利用高速交通数据对该模型进行训练,对预测结果进行分析后证明其有效性。(4)设计和实现了一个高速路事故分析预警系统。使用建立的预测模型完成对事故高发路段的预警操作,并结合事故相关数据进行多维度的可视化分析。