时态数据的预测和周期发现是时态数据挖掘的一个重要的研究方向。预测是用被预测事物过去或现在的已知数据，构造依时间变化的挖掘模型，对将来的未知做出预测。而周期发现则是根据已知数据，构造时态重复模式，发现事物运行的规律。支持向量机是九十年代中期提出来的新一代数据挖掘工具，具有全局最优、结构简单、推广能力强等优点，本文将支持向量机方法应用于时态数据预测挖掘中，主要解决分类和回归问题，可用于金融、气象、水文、超市和医疗等领域的预测问题，本课题的研究具有重要的理论意义和应用价值。全文共分五章，具体内容如下。第一章阐述了时态数据挖掘的研究背景以及有关的技术，分析了其研究现状，探讨了支持向量机在该领域中已取得的成果、存在的不足，由此引出本课题的研究意义和研究内容。第二章对时态数据有关的概念和理论进行了研究。在此基础上，构造了时态数据模型以及时态事件模型，给出了相关定义和性质，为下一步进行研究提供了理论基础。第三章介绍了支持向量机理论，以统计学习理论为基础，分别介绍了支持向量分类机和回归机。第四章提出了由基时态数据模型构造其他时态模型的方法，基于ν-支持向量机回归给出了时态数据预测的方法。第五章扩展了时态数据模型，提出了时态数据的周期模式，并利用ν-支持向量机分类算法的一些优点，给出了时态数据周期发现的方法。本文主要获得的研究成果和创新如下：1、建立了基于SVM的时态数据预测挖掘方法；2、建立了基于SVM的时态数据周期模式的挖掘方法；3、给出了由基时态数据构造其他时态数据的方法。