时间序列数据是现实世界中一种普遍存在且具有重要意义的数据类型，如工业现场的监控数据、互联网节点的通信流量数据、气象数据、医疗监测数据以及语音视频数据等。考虑到时间序列海量性、多属性、非平稳、动态性以及非线性等特征，在时序表征方面，为了有效地获取局部的变化趋势，提出一种多元时序自适应分段方法。在时间序列的聚类分析方面，对分布不均衡数据聚类效果不佳的问题，提出一种基于局部分布的贝叶斯自适应共振理论增量聚类算法。在时态模式关联关系挖掘方面，引入模糊时态模式和增量学习的概念，提出基于增量序列模式的多元时态关联规则挖掘算法。在时空数据预测建模方面，为了捕获数据中复杂多变的时空动态关联，提出一种基于降噪自编码器和注意力机制的时空图注意力网络模型。针对多步预测任务，提出一种基于时空图生成对抗网络多步预测建模方法。