周期性分析是对周期性模式的挖掘，即在时间相关的序列数据中寻找重复出现的模式。周期性分析可用于几个重要领域。例如，季节、潮汐、行星运行轨迹、每日耗电量、每日交通模式、每周电视节目都呈现一定的周期性模式。
对时间序列数据实施周期性分析，其中包括通常以相等的时间间隔（例如，每小时、每天、每周）测量的值或事件的序列。它还可以应用于其他与时间相关的序列数据，其中值或事件可能以不等的时间间隔或任何时间发生（例如，在线交易）。此外，要分析的元素可以是数值数据，包括每日温度或功耗波动，也可以是分类记录（事件），包括购买产品或观看比赛。
可以从多个角度考虑挖掘周期模式的问题。它取决于模式的覆盖范围，它可以将周期性模式分类为完整和部分周期性模式 -
一个完整的周期模式是如下模式：在时间有助于每一个点（精确或近似）的时间相关序列的周期特性。例如，一年中的所有天数都对一年的季节性周期有大约贡献。
一个部分周期性模式指定时间相关序列的周期行为在一些但不是所有的时间点。例如，Sandy 每个工作日早上 7:00 到 7:30 阅读《纽约时报》，但其在其他时间的活动没有太多规律。部分周期性是一种比完全周期性更松散的周期性形式，在现实世界中更常见。
它基于周期性的精度，模式可以是同步的也可以是异步的，前者要求事件在每个“稳定”时段内以相对固定的偏移量发生，例如每天下午 3 点，而后者允许事件在一个定义较为松散的时期内波动。
模式也可以是精确的或近似的，这取决于数据值或一个周期内的偏移量。例如，如果桑迪在多天的 7:00 阅读报纸，但在其他时间是在 7:10 或 7:15，这是一个合适的周期模式。