Tabelas de horários associam o início e o término de atividades. A essas atividades estão associados diversos atributos que podem ter conhecimento quanto a alocação de horários da tabela. As tabelas de horários que representam origem e destino ou tempo de duração de determinadas atividades podem ser melhoradas a partir de regras de associação (RAs) entre os atributos da tabela. Isso posto, analisar tabelas de horários é uma tarefa importante, pois traz a oportunidade de descobrir informações valiosas que aprimoram processos de gestão, previsão da rede de transporte, dentre outros exemplos. Enquanto isso, a mineração de padrões frequentes é uma técnica usada para apoiar esse tipo de descoberta. Entretanto, existem propriedades intrínsecas presentes nas tabelas de horários. São as dependências funcionais entre o atributo que caracteriza primariamente a atividade planejada com os seus demais atributos. Tais dependências funcionais comprometem a busca por padrões nas tabelas de horários tanto no número de RAs geradas, quanto no custo computacional. Várias dessas RAs referem-se às mesmas informações. As técnicas de remoção de redundância podem reduzir o número de RAs. No entanto, essas técnicas são projetadas para serem usadas somente após o término da mineração, o que aumenta o custo computacional de encontrar RAs úteis. Este trabalho apresenta o Timetable Pattern Mining (T-mine), um novo método para mineração de padrões frequentes que melhora a descoberta de conhecimento em tabelas de horários. Avaliamos o T-mine usando dados de voos brasileiros e comparamos o T-mine com a aplicação direta de abordagens de mineração de padrões frequentes com e sem dependências funcionais. Nossos experimentos indicam que o T-mine apresenta um menor custo computacional (menor tempo de execução e menor alocação de memória) do que outras abordagens.