图流是一个包含时间信息的无限边流序列。作为一种实时动态的关联数据模型,图流结合了图的关联表示性和流的连续更新性,广泛应用于大数据应用中,比如新冠疫情期间的密接分析和智慧城市的车辆监控。为了管理大规模的图流数据,图流概要技术使用基于哈希的压缩矩阵近似地存储图流,并提供和图拓扑相关的查询。然而,现有的图流概要结构均没有考虑图流时间维度信息的存储,因此无法支持时间范围查询。设计支持时间范围查询的图流概要结构有三点挑战。第一,完整地存储时间信息的内存开销对于图流概要结构是不可接受的。第二,离散地存储时间信息导致过高的查询时延。第三,结构需要适应图流在时间维度的动态增长性。针对图流的时间范围查询,提出时间前缀嵌入的多层图流概要结构——Horae。Horae设计了一种时间嵌入的存储方式,将时间信息和顶点信息结合在一起并隐式地存储在结构中,无额外的内存开销。在时间的二进制表示下,Horae进一步利用多层结构和基于时间前缀的数据存储方式,在不同层中根据不同长度的时间前缀组织图流数据。在每一层中,包含相同前缀的时间信息会合并成一个子范围信息,图流数据相应地按照子范围进行聚合。进一步提出了一种高效的二元范围分解算法,将任意时间范围的查询分解成多个在不同层的子范围查询,提供对数级别的查询处理。并且Horae结构会随着图流演化不断扩展层数,在扩展过程中通过数据复制保证所有时间的数据都存储在每层中。实验中使用了四个大规模真实图流数据集对Horae进行全面的性能测试。结果表明,与目前国际上最好的图流概要结构在相同内存配置下相比,Horae将多种时间范围查询的时延显著降低了两至三个数量级,同时将查询误差降低一至两个数量级。