在金融领域里,大量的数据如股票交易的高频数据是以流的形式到达的。这些流数据持续到达,速度快,容量近乎无限,传统的数据库技术已经不能很好地处理。将流数据处理引入数据库中,能提高了数据处理的效能,缓解了金融数据库中的时间窗口瓶颈。频繁项挖掘是流数据处理中一项十分重要的基本任务。许多近似算法能够有效地进行频繁项挖掘。但传统的频繁项算法如Lossy Counting都只能基于元素的计数进行挖掘。无法满足对带权值数据的监控。本论文提出的新算法可以对元素在整个流数据中所占权重比重进行挖掘,输出超出门槛参数的频繁项。输出结果为近似值,误差可以保证不超过给出的设定值。新算法非常适用于金融交易中各种带权值交易的频繁项挖掘。实验证明新算法显著降低了时间和空间的开销。增量式数据库是将流数据处理技术限制放宽后在传统关系型数据库中的应用。利用增量式数据库的设计方法,在计算密集的任务中保存中间结果,将峰值时的计算负载均衡至空闲的时间里,可以大大提高系统的运行效率和响应时间,具有非常大的现实意义。本文在数据领域中引入离线流数据与增量式数据库的概念。对不同限制条件下的在线流数据、离线流数据、增量式数据库三者进行了分析并提出了相应的优化思路。提出的基于权重的流数据频繁项挖掘新算法能有效地应用于在线流数据与离线流数据中,并可作为增量式数据库的预处理手段。增量式数据库作为一种全新的数据库优化技术,在各种具有流数据特点的场合具有广阔的前景。