数据流聚合技术作为一种数据流近似处理技术,能够有效地压缩数据规模,并对数据流提供高效的近似查询。数据流聚合技术,往往通过构建概要模型,并进行持续的聚合,以提高近似查询的效率。然而由于现有的聚合技术在聚合过程中并未考虑数据流规模和数据流分布等特性,在聚合过程中存储的元素会发生衰减过度和碰撞过多的情况,从而降低了存储元素的精度,这就给数据流的有效查询带来了挑战。本文对基于概要模型的数据流聚合技术进行了研究,分别给出了基于分段和分层合并的时间聚合算法,以及基于预测控制的项聚合算法。本文的主要工作概括如下:1.概述了数据流聚合算法的研究现状,介绍了现有聚合算法底层常见的概要数据结构,详细分析了现有聚合算法的优点以及改进方向。2.分析了现有数据流聚合技术Hokusai中的时间聚合算法存在过度衰减的缺陷,给出一种基于分段和分层合并的时间聚合算法。仿真实验表明改进后的时间聚合算法在运行时间基本保持不变的同时拥有更高的查询准确率。3.针对Hokusai的项聚合算法在面对数据流数据分布急剧变化的情况下存在碰撞过多的问题,基于分形理论中的R/S分析法,给出了基于预测控制的项聚合算法。仿真实验表明改进后的项聚合算法的查询准确率更高。