A medida que los modelos y algoritmos tradicionales son menos efectivos para lidiar con flujos de datos temporales complejos e irregulares, este trabajo propuso un modelo de asociación temporal difuso, así como un algoritmo. La idea principal es granular y difuminar la información tanto de la dimensión del estado del atributo como de la dimensión temporal. Después de reestructurar los datos temporales y extraer características difusas de la información, se construyó un modelo de minería de reglas de asociación de eventos temporales difusos, así como un algoritmo. El algoritmo propuesto puede extraer completamente las características de los datos en cada nivel de granularidad mientras conserva la información original y reduce la cantidad de cálculos. Además, es capaz de extraer eficientemente las posibles reglas subyacentes en diferentes flujos de datos temporales. En experimentos, al comparar y analizar datos de trading de acciones en diferentes granularidades temporales, el modelo y el algoritmo identifican eventos de asociación en el trading desordenado. Esto no solo es valioso para identificar anomalías en las acciones, sino que también proporciona una nueva herramienta teórica para lidiar con datos temporales complejos e irregulares.