La minería de patrones periódicos es una técnica emergente para el descubrimiento de conocimiento. La mayoría de los enfoques anteriores han tenido como objetivo encontrar solo aquellos patrones que exhiben un comportamiento periódico completo (o perfecto) en las bases de datos. En consecuencia, los enfoques existentes pasan por alto patrones interesantes que exhiben un comportamiento periódico parcial en una base de datos. Con esta motivación, este artículo propone un modelo novedoso para encontrar patrones periódicos parciales que pueden existir en bases de datos temporales. También se presenta un algoritmo eficiente de crecimiento de patrones, llamado Crecimiento de Patrones Periódicos Parciales (3P-growth), que puede encontrar efectivamente todos los patrones deseados dentro de una base de datos. Experimentos sustanciales en bases de datos tanto del mundo real como sintéticas mostraron que nuestro algoritmo no solo es eficiente en términos de memoria y tiempo de ejecución, sino que también es altamente escalable. Finalmente, la efectividad de nuestros patrones se demuestra mediante dos estudios de caso. En el primer estudio de caso, nuestro modelo se empleó para identificar las áreas altamente contaminadas en Japón. En el segundo estudio de caso, nuestro modelo se empleó para identificar los segmentos de carretera en los que las personas regularmente enfrentan congestión de tráfico.