随着信息技术和大数据的不断发展,数据流模型被广泛应用于社会生产和生活的各个领域。因此,数据流的收集和分析就变得至关重要。数据流的爆炸性增长,使得研究者需要更大的内存来存储这些数据流。然而,使用传统的数据挖掘技术很难处理数据流,并且不可能从大量数据流中提取有价值的信息。如今,研究者使用增量决策树方法来处理数据流分类问题,这是挖掘大量数据流中有用信息的方法之一。本文首先对数据流决策树分类方法的相关知识进行概述,包括数据流的定义、概念、特征等。其次介绍了现有的决策树分类方法,主要包括单分类决策树方法和集成分类决策树方法。然后研究基于McDiarmid不等式的数据流决策树分类算法。最后设计实现基于决策树分类方法的城市用户行为分析验证平台。本文的主要贡献如下:(1)首先介绍数据流的概念、特点和处理方式等基本知识。其次,对现阶段用于处理数据流的分类方法,包括决策树、支持向量机、贝叶斯、神经网络、KNN和关联/分类规则进行分析比较。接下来分析数据流决策树分类方法,包括单分类决策树方法和集成分类决策树方法。其中,单分类决策树方法包括快速决策树、快速决策树的衍生算法和其它类型的决策树算法。集成分类决策树方法包括基于Hoeffding不等式的集成分类方法、随机决策树衍生的集成分类方法和其它类型集成分类方法。(2)针对Hoeffding不等式处理数据流时间过长,并且在属性分裂度量方面存在不足等问题。比如信息增益和基尼指数,不能表示为实数值随机变量的和,其中,1≤≤,表示属性数是具有一定分布的实数值随机变量。为了进一步提高分类性能,本文提出了一种基于McDiarmid不等式的数据流决策树分类算法(McDiarmid Decision Tree,McDDT),并研究使用t进行属性分类度量。该算法与经典决策树算法相比,在分类准确率升高或者几乎保持不变的情况下,算法运行时间明显减少,生成决策树的节点数与层数明显降低。(3)本文设计了一种基于McDDT算法的用户到访行为分析验证平台,该平台采用Python语言基于Tkinter框架设计的。主要向用户提供了数据处理、数据分析和结果显示等核心功能,用于实现用户所到行政区的预测分析功能。