1.一种不确定交易数据库中多序列的周期频繁模式挖掘方法，其特征在于，包括如下步骤：

S1，输入一段时间内大量客户的不确定交易数据库，商家自定义四个阈值，分别为最小支持频率minSup，最大周期数maxPr，周期标准差maxStd和最小期望支持数minExpRa；

S2，扫描数据库构建1项集x的UPFPS‑list，即构建关于某个商品x出现在哪几个用户的购买序列中，按照时间顺序依次出现在哪笔交易中，以及每个商品x的购买概率构成的数据列表UPFPS‑list，判断1项集x是否在不确定数据库中是周期频繁项集UPFPS，具体包括如下步骤：S2.1，计算序列S中出现过商品x的交易数量sup(x,S)，计算项集x的最大周期性maxPer(x,S)，和周期标准差stanDev(x,S)，然后算法循环遍历每个单项集x，对于出现在购买序列S中的商品x，如果商品x的购买概率大于最小购买频率，即sup(x,S)>＝minSup，商品x前后两次被购买的时间间隔不超过最大周期阈值，即maxPer(x,S)<＝maxPr，商品x的购买周期稳定在一定范围内，即stanDev(x,S)<＝maxStd，则称1项集x在此序列S中是周期性频繁的，算法将项集x满足条件的序列存入集合prSeq(x)中；

S2.2，如果期望周期序列比expRa(x)≥minExpRa，则输出1项集x为周期性频繁模式项集UPFPS；

其中，数据库中x的序列期望周期序列比定义为expRa(x)＝expSup(x)/|D|，其中expSup(x)的值是根据集合PrSeq(x)中的序列计算的，|D|是序列数据库的序列总数；

S3，根据上界值upExpRa对搜索空间进行修剪，将符合条件upExpRa(x)>＝minExpRa的1项集x的UPFPS‑list添加到集合boundUPFPS，不符合条件的不再进行扩展；

S4，利用集合boundUPFPS将修剪后的1项集进行相交合并成2项集，即两个商品的数据信息的组合构建成2项集的UPFPS‑list，将符合上界值upExpRa(x)>＝minExpRa的项集的UPFPS‑list保存至boundUPFPS，以便进行新一轮迭代，并且判断2项集是否在不确定数据库中是周期频繁项集UPFPS；

S5，递归循环n‑1项集，直至不能扩展n项集，则输出不确定数据库中所有周期频繁项集UPFPS。

2.根据权利要求1所述的一种不确定交易数据库中多序列的周期频繁模式挖掘方法，其特征在于，一个商品构成的项集为1项集x，多个商品构成的项集为X，设有两个用户指定的阈值maxPr、minSup，如果sup(X,S)>＝minSup,maxPer(X,S)<＝maxPr,则项集X在序列S中是周期频繁候选模式，序列数据库中以项集X为周期频繁候选模式的序列集合被表示且定义为candSeq(X)＝{S|sup(X,S)>＝minSup^maxPer(X,S)<＝maxPr^pro(X,T,S)！＝0^T∈S^S∈D}，式中T代表一笔交易，D代表数据库，数据库中X的期望支持序列比expRa(X)的值的上界被定义为upExpRa(X)＝expSup(X)/|D|，其中expSup(X)的值是根据集合candSeq(X)中的序列计算的，式中|D|代表序列数据库的序列总数；

在不确定序列数据库中，商品X的第k次交易的序列Si中，项集X存在的概率值被定义并表示为pro(X,Tk,Si)(1<＝k<＝m,1<＝i<＝|D|)，式中Tk代表一笔交易。

3.根据权利要求2所述的一种不确定交易数据库中多序列的周期频繁模式挖掘方法，其特征在于，期望支持数expSup(X)是项集X存在于不确定数据库中指定序列的最大概率之和，其计算公式为： 其中P(X,Si)的值表示项集X存在于序列Si中的交易最大概率，公式为 P(X)代表项集X在序列Si

中的某笔交易中存在的概率值。