最近几年，在传感器领域、电子信息领域中，数据量每天以很大的规模增长，其中科学界可以从这些大规模的数据量中提取很多有用的信息，并用这些信息智能决策很多问题。怎样从获得的源源不断的非平稳的数据流中发现有价值的内容，这是科学界人员应该孜孜不倦的探索，不断找寻的新取向。　　本文特别针对时间序列数据流预测方法进行了探索。基于滑动窗口技术和研究非线性、非平稳数据的EMD方法，Online-VAR方法应运而生。总结出采纳这种方法预测时间序列数据流的通用模型，针对各种应用领域的时间序列数据流预测，该模型均提供了相应的解决方案。怎么样把连续大量的数据转化成一次性处理的固定数据是时间序列数据流预测的关键问题。就数据流的连续性问题，本文应用滑动窗口技术建模原始数据流，这样在应用程序中仅聚焦滑动窗口内数据的变化，本文采用for循环实现滑动窗口技术;抓取某个时间段产生的滑动窗口中的数据，利用VAR方法进行数据分析，达到预测目的。本文使用了EMD方法，并且采用并行处理的思想，即当滑动窗口中有过量的数据时，那就需要把这些数据进行分段再处理。具体方法是应用EMD分解每段数据，把得到每段数据的IMF分量合在一起，并且将剩余部分也合在一起，分别形成联合IMF和联合剩余信号。然后EMD分解联合IMF，把这回分解得到的剩余信号加到联合剩余信号内，把联合剩余信号当作新的信号继续进行以上的过程，直到最终获得的联合剩余信号不能再进行EMD分解为止，以此大大加快了算法处理的效率。Online-VAR方法分解的准确性更强，速度更快，并且能够进行在线自适应预测。　　本文还用Online-VAR方法实时分析实际滚动轴承时间序列数据流，利用仿真实验证明这种方法在时间序列数据流预测方面具有很好的效果。