Los patrones de conjuntos de elementos periódicos (PIPs) se utilizan ampliamente para predecir la ocurrencia de eventos periódicos. Sin embargo, surge una extensa redundancia debido a una gran cantidad de patrones. La minería de patrones de conjuntos de elementos periódicos de skyline (SPIPs) puede reducir el número de PIPs y garantizar la precisión de la predicción. El algoritmo existente de minería de SPIP utiliza FP-Growth para generar patrones frecuentes (FPs) y luego identificar SPIPs a partir de FPs. Estos pasos separados conllevan un consumo de tiempo masivo, por lo que proponemos un enfoque eficiente basado en bits llamado BitSPIM para minar SPIPs. El método propuesto introduce representaciones bit a bit eficientes y aprovecha al máximo los datos obtenidos en los pasos anteriores para acelerar la identificación de SPIPs. Se aplica un novedoso mecanismo de corte para eliminar pasos innecesarios. Se realizaron una serie de experimentos comparativos en varios conjuntos de datos con diferentes atributos para verificar la eficiencia de BitSPIM. Los resultados experimentales demuestran que nuestro algoritmo supera significativamente el enfoque más reciente de minería de SPIP.