交通流预测是交通诱导系统和交通控制系统的重要前提与关键,而交通流预测问题从本质上讲是时间序列分析问题。对于时间序列,现在已经有很多种研究和分析方法,常见的以建模分析为主,但是由于时间序列自身的复杂性和不稳定性,传统的建模方法无法获得精确的时序系统的模型,这样便使预测变得困难。数据挖掘是近些年发展起来的多学科融合的数据分析技术,它从面世以来便被应用到各个学科领域,几乎所有的数据都可以进行数据挖掘,这便给研究者提供了一个非常好的思路,同时对时间序列进行数据挖掘也正成为当前研究的热点之一。以交通流为代表的时间序列数据具有时变、非线性的特点,传统方法无法获得满意结果,利用数据挖掘来找出研究对象内部的演化规律也不失为一种很好的想法。本文在分析国内外对时间序列的研究的基础上,提出了时间序列特征模式挖掘的框架,同时结合交通流的特点提出有效的挖掘算法,并且进行了算法实现。框架的基本思路是将数值型的时间序列转化为易于进行挖掘的符号序列,然后运用合适的挖掘方法对符号序列进行挖掘,将挖掘出的模式根据实际要求进行裁减,最后提取出预测规则。本文给出了单一时间序列特征模式挖掘TSFPM 的相关概念与定义,并对挖掘过程作了分析与研究,在以交通流数据作为研究对象的实验中,验证了TSFPM的有效性,并分析了算法中关键参数对算法性能的影响。