时空序列数据挖掘作为时空数据挖掘的一个重要分支,是专门针对时空数据中时空序列类型的数据进行研究。时空序列数据不仅描述了地理对象或现象存在的空间特征,而且有效地记录了地理对象或现象随时间的演变状态,因此对其研究具有重要的意义。本文回顾了国内外相关研究成果,结合现有的空间数据挖掘与时间序列数据挖掘理论体系,提出了对时空序列数据进行挖掘,探讨了时空序列数据挖掘的主要内容与技术手段,就时空序列数据挖掘的技术中存在的特定问题,提出了相应的解决策略。本文主要工作包括：(1)在时空序列聚类分析研究方向,针对“时序相似,空间邻接”的聚类要求,提出了种子点扩散的时空序列聚类算法,首先选取与空间近邻时间序列相似性最高的对象作为种子,对种子进行标记并且将标记扩散到其空间近邻,然后选取下一个种子点,进行标记、扩散操作,直到所有的时空序列依附的实体都被标记,该方法计算简单、效率高并且无需进行参数的设定,避免了参数选取的主观性。(2)在时空序列关联规则研究方向,针对“后件已知,前件未知”的关联条件,提出了一种约束条件下事件关联规则算法,首先在后件目标事件已知的条件下,通过一个有效时间窗口来顾及前件事件间及前件事件与后件目标事件在时间上的滞后因素,然后在计算前件事件集中,只考虑对后件目标事件有效时间窗口中的候选前件事件集,而不需要对整个事件序列中的频繁事件集进行搜索,避免对整个事件序列中的频繁集计算,从而降低了算法的复杂度。(3)在时空序列预测建模研究方向,针对GM(1,1)能够对“小样本,贫信息”进行建模预测,而缺乏对空间自相关性的考虑,提出了STGM(1,1)建模方法,此方法是结合空间自相关特性与灰色理论预测模型,空间自相关性是对空间对象或现象在空间上的依赖性描述,因而STGM(1,1)能够处理具有小样本的时空序列数据。最后,总结了本文的研究成果,并展望了时空序列数据挖掘进一步需要研究的工作。