为保证高速列车正常运行,大量传感器被安装在列车各部位,时刻监测列车运行状态。若能从列车监测数据出发通过部件间的状态关联性发现其他部件可能存在的问题,及时安排检修,为列车运行状态的评估和监测提供依据,减少列车运行故障。列车监测数据属性丰富,数据量大。因此,本文为了从列车状态中发现属性间的趋势关联性,从列车监测数据出发,进行了两方面的研究:1)解决大量监测数据的存储问题;2)挖掘监测数据属性间的趋势关联性,为列车运行状态的评估和监测提供有利依据。具体研究如下:首先,为解决监测数据存储问题中的大容量问题,分析监测数据由Double数据构成的特点,在研究面向Float型数据的尾数整型化(Think Mantissa as Integer,TMI)算法的基础上提出了 Double型尾数整型化(Double Think Mantissa as Integer,DTMI)压缩算法,实验结果证明DTMI与通用压缩算法相比具有较高的压缩效率。为进一步提高压缩速度,在 DTMI 的基础上提出了并行化 DTMI(Parallel Double Think Mantissa as Integer,P-DTMI)算法。实验表明P-DTMI对比DTMI算法较好地提高了处理速度。其次,为了挖掘监测数据属性间的趋势关联关系,选取FP-Growth算法进行属性间趋势关联性挖掘。首先,由于监测数据在某时刻可能存在缺失,采用邻近插值法对缺失项进行差值填补;采用i和-i的原则对源数据进行了趋势化表达。其次,为了除去无效强关联规则,引入了置信度和提升度双约束条件,减少了关联关系误识别的情况。最后,针对大量数据输入情况下,FP-Growth算法单机运行性能降低、甚至无法运行的问题,在Hadoop集群环境下对FP-Growth算法进行并行化研究。实验表明,实验所得的监测数据属性间趋势关联性与已知的实际经验相符,说明了算法的可用性;并行FP-Growth算法保证了在大量数据输入时的正常运行,并具有较快的运算速度;避免了少量数据关联分析可能造成的局限性,并可从监测数据中获取到有价值的信息。最后,应用本文研究的数据压缩算法和趋势关联性挖掘算法,设计了高铁数据存储与趋势关联性分析的实施方案和原型软件系统,验证了算法的可用性,并为类似系统开发提供了设计思路。