یک هدف مهم از کشف دانش جستجو برای یافتن الگوها در داده است که می¬تواند کمک کند فرایندهای زیر بنائی از اطلاعات تولید شده را توضیح بدهد. الگوها باید جدید، مفید و قابل فهم برای انسانها باشند. در این پایان نامه ما یک روش جدید برای توصیف قابل فهم از روابط زمانی در اطلاعات چند متغیره، بنام داده کاوی سری زمانی ارائه می کنیم. ما داده کاوی سری زمانی را به عنوان یک زبان جدید برای بیای الگوهای موقتی تعریف می کنیم. الگوها یک ساختار سلسله مراتبی دارند هر سطح با یک مفهوم زمانی یکتا مطابقت می کند. در پائین ترین سطح، فواصل با طول مدت نشان داده می شوند. قسمت های روی هم افتاده فواصل انطباق را روی سطح بعد نشان می دهند. چندین بلوک های از این نوع فواصل یک ارتباط ترتیب جزئی روی بالاترین سطح ارتباط برقرار شده اند. الگوها خیلی فشرده اند اما جزئیات در زمان درخواست برای هر عنصر را نمایش می دهد. در مقایسه با روشهای مربوط، داده کاوی سری های زمانی برتری هایی در قابلیت بیان مفهوم و قابلیت درک را دارا می باشد. الگوریتم های کارآمدی برای کشف الگوها پیشنهاد شده است. کارایی روشها در مجموعه داده بازار سهام مورد استفاده و شرح داده شده اند.