时间序列挖掘是通过对现有的时间序列数据进行分析和研究，发现并提取隐含在时间序列当中的、无法直观体现的、潜在的有用信息与知识。其不仅能够对仅用于统计的海量原始序列数据进行二次利用，同时还可以通过挖掘过程中所找寻到的有用知识或模式对后续的工作进行指导。本文针对城市智能交通系统所产生的原始交通数据中存在有大量的可供城市道路安全管理使用的未知模式信息的这一特点，分别从监控区域和特定车辆这两个应用角度详细阐述了本文所提出的基于相似性的域内交通流量模式发现方法和特定车辆潜在群体的发现及行驶轨迹预测方法。最后，结合WPF(Windows Presentation Foundation)技术完成了城市道路安全分析系统的设计与实现工作，以便能够为城市道路安全保障方面的工作提供更多的支持。本文主要进行了以下几方面的工作：1)对国内外时间序列挖掘技术的发展，数据挖掘技术在智能交通领域中的应用以及城市道路安全分析的研究现状等内容进行了详细的综述，同时通过对已采集到的原始交通数据所进行的数据特征分析及正态分布性验证发现，可以运用时间序列挖掘技术达到保障城市道路安全的目的。2)针对时间序列数据所具有的特性建立了一种严格的验证方法，以便能够对8种常用的时间序列相似性度量技术的优劣程度进行验证，并以此为依据确立了目前最适合用于描述时间序列间相似性关系的度量技术——DTW技术，为后续章节中相似性度量技术的选择提供参考。3)针对原始DTW技术计算开销过大这一问题，提出了一种新的下界函数计算方法，并在此基础上结合域内交通流量模式发现这一背景分别提出了基于改进下界函数相似性搜索的特定模式发现方法以及基于改进下界函数聚类技术的周期模式发现方法。最终结合所采集到的域内交通数据集分别进行了相应的阐述。4)提出了一种针对特定车辆潜在群体的行驶轨迹预测方法。在该方法中，主要利用所提出的特定车辆潜在群体搜索算法及序列模式发现与贝叶斯网络互补预测的方式，以便能够有效地解决目前城市道路安全中最为关注的潜在群体发现以及行驶轨迹预测这两大问题。5)利用WPF等技术，建立了可靠性、稳定性、扩展性等性能都非常强的城市道路安全分析系统。