随着信息技术的发展,空间数据激剧增长,空间数据挖掘变得炙手可热。空间co-location模式挖掘是空间数据挖掘的重要分支,在现实生活中有着广泛应用。传统co-location模式挖掘只考虑形成团的特征实例,可能忽略了特征之间的一些非团的重要空间关系。为此,亚频繁co-location模式提出星型模型及星型实例,用以挖掘没有形成团的特征之间的重要空间关系。在空间数据中,时间是一个重要维度,空间实例会随着时间的变化而出现或消失,其位置也会随时间改变。因此,在co-location模式挖掘中,需要考虑时间因素。然而,现有亚频繁co-location模式挖掘没有较好地考虑时间因素。为此,本文基于星型模型,研究时空亚频繁co-location模式挖掘,主要工作如下:一、考虑空间实例的位置时变性,研究时空亚频繁co-location模式挖掘。首先,分析如何恰当地将时间信息引入亚频繁模式挖掘中,定义了度量时空亚频繁模式的指标:时间亚频繁度。其次,证明时间亚频繁度的向下闭合性质,并利用该性质缩减搜索空间,提出了有效的时空亚频繁co-location模式挖掘算法STSCP（SpatioTemporal Sub-prevalent Co-location Patterns）。最后,在八个不同规模的数据集上进行实验,验证了在实例数、时间片数、时间亚频繁阈值、空间亚频繁阈值等参数的影响下,所提STSCP算法均具有较高效率。此外,与PTBA（Prefix-Tree-Based Algorithm）算法相比,本文所提STSCP算法能够依据用户设定的时间亚频繁阈值,发现不同出现频度的时空亚频繁模式,可以挖掘更符合用户需求、更具有丰富语义和实用价值的模式。二、考虑时间的连续性,研究时间连续亚频繁co-location模式挖掘。首先,给出了相关概念并定义了两个度量时间连续亚频繁模式的指标:时空参与率和时空参与度。其次,提出了一种时间连续亚频繁co-location模式挖掘算法TCSCP（Time Continuous Sub-prevalent Co-location Patterns）。最后,在三个不同规模的数据集上进行实验,验证了在不同距离阈值、时间阈值以及时空亚频繁阈值的影响下,所提TCSCP算法均具有良好的效率。此外,与PTBA算法和STSCP算法相比,TCSCP算法挖掘的模式数量最少,可以缩小模式范围,更准确地找到用户所需模式。