随着大数据时代的来临,海量的信息带来了数据的爆炸式增长,人们往往难以获取自己想得到的数据,所以从大量的信息提取有用的数据就显得尤为重要。数据挖掘是从大量的数据中通过算法提取隐藏的、有潜在价值的信息的过程,它的主要分析方法包括聚类分析、关联规则分析、分类分析、预测演变分析、序列分析和异常检测分析等分析方法。关联规则挖掘算法作为数据挖掘的重要算法之一,可以从事务数据集中获取隐藏的、有意义的联系,为人们提供更好的选择。传统的关联规则挖掘算法仅仅是从简单的数据集中获取数据之间的联系,但在现实中,数据是会随着时间的变化而产生不一样的重要性,而时序关联规则挖掘算法可以根据数据的时序性在周期时间内挖掘出高效的规则,因此时序关联规则挖掘算法在现实生活中得到了更为广泛的应用。本文运用了两种改进的时序关联算法分别应用在股票预测和商品上架方面。本文在时序关联算法的基础上运用了两种改进的算法,主要工作如下:(1)传统的数据挖掘算法只考虑数据库中模式的频率,这不足以找到有意义或重要的模式。对此,本文通过事务的时序关系进行周期性分段,并结合不确定理论中的专家系统进行分析给予每个事件权重值,先计算出候选项,然后从后选项中计算并找到频繁项,从中发现其关联规则,最后将该算法应用在股票预测中。实验结果表明,该算法应用于时序性质的数据集具有较高的实际意义。(2)针对传统的数据挖掘算法只考虑商品之间的联系,没有考虑到利润问题和上架时间问题。因此,本文根据交易中每条事务交易的商品的个体利润、数量和商品的上架时间,运用了一种两阶段的挖掘算法,在周期时间内找到商品之间的关联规则。实验结果表明,该算法可以帮助商家在更合理的时间周期内上架商品,以获取更多的利润。